Эң кичине квадраттар ыкмасы боюнча талкуу суроолорунун мисалы
Эң кичине квадраттар ыкмасы (ЭКМ) – бул маалыматтарды эң натыйжалуу алдын ала айтууга мүмкүндүк берген эң жакшы дал келүү сызыгын табуу үчүн колдонулган статистикалык ыкма. Бул ыкма көбүнчө сызыктуу регрессиялык анализде көз карандысыз жана көз каранды өзгөрмөлөрдүн ортосундагы байланышты аныктоо үчүн колдонулат. Бул макалада эң кичине квадраттар ыкмасынын негизги түшүнүктөрү, ошондой эле бул ыкманын кантип иштээрин тереңирээк түшүнүү үчүн мисалдар жана этап-этабы менен түшүндүрмөлөр каралат.
Эң кичине квадраттар методунун негизги түшүнүктөрү
Эң кичине квадраттар ыкмасынын максаты - байкалган маанилер менен регрессия модели тарабынан алдын ала айтылган маанилердин ортосундагы айырмачылыктардын квадраттарынын суммасын минималдаштыруу. Жөнөкөй сызыктуу регрессия сызыгынын теңдемесин төмөнкүдөй жазууга болот:
\[ y = a + bx \]
Кайда:
– \( y \) көз каранды өзгөрмө,
– \( x \) көз карандысыз өзгөрмө,
– \( a \) – бул кесилиш чекит (\( x = 0 \) болгондо \( y \) мааниси),
– \( b \) – сызыктын эңкейиши (жантайыңкылык же регрессия коэффициенти).
Эң кичине квадраттар ыкмасы төмөнкү функцияны минималдаштырган \(a \) жана \(b \) параметрлерин эсептейт:
\[ \text{SSE} = \sum_{i=1}^{n} (y_i – \hat{y_i})^2 \]
Мында SSE – квадраттык каталардын суммасы, \(y_i \) – чыныгы маани, ал эми \(\hat{y_i} = a + bx_i \) – болжолдонгон маани.
Эң кичине квадраттар ыкмасынын кадамдары
Түшүнүктү тактоо үчүн, биз эң кичине квадраттар ыкмасын колдонуу менен байланышкан мисал маселесин чечебиз.
Маселелердин мисалы
Төмөнкү маалыматтарды эске алуу менен:
| x (Окуу сааттары) | y (Экзамендин баасы) |
|——————–|———————–|
| 2 | 81 |
| 4 | 93 |
| 6 | 91 |
| 8 | 97 |
| 10 | 103 |
Маалыматтарга эң туура келген сызыктуу регрессия сызыгын аныктаңыз.
Талкуу
1. \( \bar{x} \) жана \( \bar{y} \) орточо маанисин эсептөө
\[
\bar{x} = \frac{\sum x_i}{n} = \frac{2 + 4 + 6 + 8 + 10}{5} = 6
\]
\[
\bar{y} = \frac{\sum y_i}{n} = \frac{81 + 93 + 91 + 97 + 103}{5} = 93
\]
2. Параметрди эсептөө (б) (жантайыңкылык)
\(b\) параметри төмөнкү формула менен эсептелет:
\[
b = \frac{\sum (x_i – \bar{x})(y_i – \bar{y})}{\sum (x_i – \bar{x})^2}
\]
Ар бир компонентти эсептөө:
\[
\sum (x_i – \bar{x})(y_i – \bar{y}) = (2-6)(81-93) + (4-6)(93-93) + (6-6)(91-93) + (8-6)(97-93) + (10-6)(103-93)
\]
\[
= (-4)(-12) + (-2)(0) + (0)(-2) + (2)(4) + (4)(10)
\]
\[
= 48 + 0 + 0 + 8 + 40 = 96
\]
\[
\sum (x_i – \bar{x})^2 = (2-6)^2 + (4-6)^2 + (6-6)^2 + (8-6)^2 + (10-6)^2
\]
\[
= (-4)^2 + (-2)^2 + 0^2 + 2^2 + 4^2
\]
\[
= 16 + 4 + 0 + 4 + 16 = 40
\]
Демек:
\[
b = \frac{96}{40} = 2.4
\]
3. Параметрди эсептөө (а) (кесилиш)
\( \bar{x} \) жана \( \bar{y} \ орточо маанисин колдонуу менен):
\[
a = \bar{y} – b\bar{x} = 93 – 2.4 \times 6 = 93 – 14.4 = 78.6
\]
4. Регрессия сызыгынын теңдемесин жазуу
Табылган параметрлер менен регрессия сызыгынын теңдемесин жаза алабыз:
\[
у = 78.6 + 2.4x
\]
Чечмелөө жана текшерүү
Бул регрессия сызыгы дал келишин камсыз кылуу үчүн, биз баштапкы маалыматтардагы ар бир x үчүн болжолдонгон y маанисин (\(\hat{y}\)) эсептей алабыз, ошондой эле божомолдун тактыгын текшерүү үчүн квадраттык каталардын суммасын (SSE) эсептей алабыз.
| x | y | \(\шляпа{y}\) | \((y – \калпак{ы})^2\) |
|—|—-|————|——————–|
| 2 | 81 | 83.4 | (81-83.4)^2 = 5.76 |
| 4 | 93 | 88.2 | (93-88.2)^2 = 23.04|
| 6 | 91 | 93.0 | (91-93.0)^2 = 4.00 |
| 8 | 97 | 97.8 | (97-97.8)^2 = 0.64 |
|10 |103 |102.6 | (103-102.6)^2= 0.16|
SSE:
\[
SSE = 5.76 + 23.04 + 4.00 + 0.64 + 0.16 = 33.6
\]
SSE салыштырмалуу кичинекей болгондуктан, эң кичине квадраттар ыкмасы менен алынган регрессия сызыгы бул маалыматтарга жакшы туура келет деген тыянак чыгарсак болот.
Корутунду
Эң кичине квадраттар ыкмасы - бул маалыматтар топтому үчүн эң ылайыктуу сызыкты аныктоо, четтөөлөрдүн квадратына негизделген божомол катасын минималдаштыруу үчүн күчтүү статистикалык анализ куралы. Орточо маанини, эңкейишти жана кесилиш маанисин эсептөө кадамдарын колдонуу, ошондой эле регрессия сызыгынын теңдемесин жазуу жана текшерүү менен, биз көз карандысыз өзгөрмөлөрдөн көз каранды өзгөрмөнүн маанисин так алдын ала айта алабыз.
Бул ыкманы жакшы түшүнүү экономика, биостатистика, инженерия жана регрессиялык анализ көп колдонулган коомдук илимдер сыяктуу тармактарда өтө пайдалуу. Бул макалада конкреттүү мисалдар келтирилген, маалыматтарды талдоодо бул методологиянын мааниси жана пайдалуулугу көрсөтүлгөн.
