Beispill vun Diskussiounsfroen iwwer d'Method vun de klengste Quadraten
D'Method vun de klengste Quadraten (LEM) ass eng statistesch Method, déi benotzt gëtt fir déi Linn vun der beschter Upassung ze fannen, déi Daten am effektivsten viraussoe kann. Dës Method gëtt dacks an der linearer Regressiounsanalyse benotzt fir d'Bezéiung tëscht onofhängegen an ofhängegen Variablen z'entdecken. Dësen Artikel behandelt d'Grondkonzepter vun der Method vun de klengste Quadraten, zesumme mat Beispiller an Erklärungen, déi Schrëtt fir Schrëtt erkläre kënnen, fir e méi déift Verständnis dovun ze kréien, wéi dës Method funktionéiert.
Grondkonzepter vun der Method vun de klengste Quadraten
D'Zil vun der Method vun de klengste Quadraten ass et, d'Zomm vun de Quadraten vun den Ënnerscheeder tëscht den observéierte Wäerter an de Wäerter, déi vum Regressiounsmodell virausgesot ginn, ze minimiséieren. D'Equatioun vun enger einfacher linearer Regressiounslinn kann als folgend geschriwwe ginn:
\[y = a + bx \]
Wou:
– \(y \) ass déi ofhängeg Variabel,
– \(x \) ass déi onofhängeg Variabel,
– \(a \) ass den Ofschnëtt (de Wäert vun \(y \) wann \(x = 0 \)),
– \(b \) ass d'Steigung vun der Linn (Steigung oder Regressiounskoeffizient).
D'Method vun de klengste Quadraten schätzt d'Parameteren a an b, déi déi folgend Funktioun miniméieren:
[ \text{SSE} = \sum_{i=1}^{n} (y_i – \hat{y_i})^2 \]
Woubei SSE d'Zomm vun de Quadratfehler ass, \(y_i \) den tatsächleche Wäert ass, an \( \hat{y_i} = a + bx_i \) de virausgesoten Wäert ass.
Schrëtt vun der Method vun de klengste Quadraten
Fir de Konzept ze verstoen, léise mir e Beispillproblem mat der Method vun de klengste Quadraten.
Beispill vu Problemer
Mat de folgenden Donnéeën:
| x (Studienstonnen) | y (Examensresultat) |
|——————–|——————–|
| 2 | 81 |
| 4 | 93 |
| 6 | 91 |
| 8 | 97 |
| 10 | 103 |
Bestëmmt déi linear Regressiounslinn, déi am beschten zu den Donnéeën passt.
Diskussioun
1. Berechnung vum Duerchschnëtt vun \( \bar{x} \) an \( \bar{y} \)
\[
\bar{x} = \frac{\sum x_i}{n} = \frac{2 + 4 + 6 + 8 + 10}{5} = 6
\]
\[
\bar{y} = \frac{\sum y_i}{n} = \frac{81 + 93 + 91 + 97 + 103}{5} = 93
\]
2. Berechnung vum Parameter \(b \) (Steigung)
De Parameter \(b \) gëtt berechent duerch:
\[
b = \frac{\sum(x_i – \bar{x})(y_i – \bar{y})}{\sum(x_i – \bar{x})^2}
\]
Berechnung vun all Komponent:
\[
(x_i – \bar{x})(y_i – \bar{y}) = (2-6)(81-93) + (4-6)(93-93) + (6-6)(91-93) + (8-6)(97-93) + (10-6)(103-93)
\]
\[
= (-4)(-12) + (-2)(0) + (0)(-2) + (2)(4) + (4)(10)
\]
\[
= 48 + 0 + 0 + 8 + 40 = 96
\]
\[
(sum(x_i – x)^2 = (2-6)^2 + (4-6)^2 + (6-6)^2 + (8-6)^2 + (10-6)^2
\]
\[
= (-4)^2 + (-2)^2 + 0^2 + 2^2 + 4^2
\]
\[
= 16 + 4 + 0 + 4 + 16 = 40
\]
Also datt:
\[
b = 96/40 = 2.4
\]
3. Berechnung vum Parameter \(a \) (Intercept)
Mat Hëllef vum Duerchschnëtt vun \( \bar{x} \) an \( \bar{y} \):
\[
a = \bar{y} – b\bar{x} = 93 – 2.4 \times 6 = 93 – 14.4 = 78.6
\]
4. D'Regressiounslinngläichung opschreiwen
Mat de fonnte Parameteren kënne mir d'Equatioun vun der Regressiounslinn schreiwen:
\[
y = 78.6 + 2.4x
\]
Interpretatioun a Verifizéierung
Fir sécherzestellen, datt dës Regressiounslinn passt, kënne mir de virausgesoten y-Wäert (\(\hat{y}\)) fir all x an den initialen Donnéeën berechnen, souwéi d'Zomm vun de Quadratfeeler (SSE) berechnen, fir d'Genauegkeet vun der Prognose ze validéieren.
| x |an y | \(\hat{y}\) | \((y – \hat{y})^2\) |
|—|—-|————|——————–|
| 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:
\[
SSE = 5.76 + 23.04 + 4.00 + 0.64 + 0.16 = 33.6
\]
Mat engem relativ klenge SSE kënne mir schléissen, datt d'Regressiounslinn, déi mat der Method vun de klengste Quadraten produzéiert gëtt, gutt fir dës Donnéeën passt.
Conclusioun
D'Method vun de klengste Quadraten ass e mächtegt statistescht Analyseinstrument fir déi bescht Upassungslinn fir en Datesaz ze bestëmmen, andeems de Prognosefehler baséiert op dem Quadrat vun den Ofwäichungen miniméiert gëtt. Andeems mir d'Schrëtt vun der Berechnung vum Mëttelwäert, der Schätzung vun der Steigung an dem Ofschnëtt, an dem Opschreiwen an der Verifizéierung vun der Regressiounslinngleichung benotzen, kënne mir de Wäert vun der ofhängeger Variabel aus den onofhängege Variabelen präzis viraussoen.
E gutt Verständnis vun dëser Method ass extrem nëtzlech a Beräicher wéi Ekonomie, Biostatistik, Ingenieurswiesen a Sozialwëssenschaften, wou Regressiounsanalyse dacks ugewannt gëtt. Dësen Artikel illustréiert mat konkrete Beispiller d'Wichtegkeet an d'Nëtzlechkeet vun dëser Methodologie an der Datenanalyse.
