Хамгийн бага квадратын арга: Өгөгдлийн шинжилгээний танилцуулга ба хэрэглээ
Пендахулуан
Хамгийн бага квадратын арга нь өгөгдлийн шинжилгээнд, ялангуяа статистик болон хэрэглээний математикт хамгийн үндсэн бөгөөд өргөн хэрэглэгддэг аргуудын нэг юм. Энэ арга нь санал болгож буй загвараас ажиглагдсан хазайлтын квадратуудын нийлбэрийг хамгийн бага байлгах параметрүүдийг тооцоолох зорилготой юм. Энэ нийтлэлд бид хамгийн бага квадратын аргын үндсэн ойлголтууд, янз бүрийн салбарт хэрэглэх арга, хэрэгжүүлэх практик алхмуудыг судлах болно.
Хамгийн бага квадратын аргын үндсэн ойлголтууд
Хамгийн бага квадратын аргыг шугаман регрессийн тусламжтайгаар энгийнээр тайлбарлаж болно. Бидэнд \(i = 1, 2, …, n \) хосын хэлбэрээр өгөгдөл байгаа гэж үзье. Бидний бүтээхийг хүсч буй шугаман загварыг дараах байдлаар илэрхийлж болно.
\[ y = \beta_0 + \beta_1 x + \epsilon \]
энд \( \beta_0 \) болон \( \beta_1 \) нь бидний тооцоолохыг хүссэн параметрүүд, харин \( \epsilon \) нь тэг дундажтай байх ёстой алдаа эсвэл үлдэгдэл юм.
Хамгийн бага квадратын аргын зорилго нь дараах зорилтот функцийг багасгах явдал юм.
\[ S(\beta_0, \beta_1) = \sum_{i=1}^{n} (y_i – \beta_0 – \beta_1 x_i)^2 \]
Оновчтой параметрүүдийг олох нь: Математикийн арга
Зорилтот функцийг минимум болгох параметрийн утгуудыг олохын тулд бид \( S \)-ийн \( \beta_0 \) болон \( \beta_1 \)-тэй харьцуулсан хэсэгчилсэн уламжлалыг тооцоолж, дараа нь дараах тэгшитгэлийг бодох хэрэгтэй.
\[ \frac{\partial S}{\partial \beta_0} = -2 \sum_{i=1}^n (y_i – \beta_0 – \beta_1 x_i) = 0 \]
\[ \frac{\partial S}{\partial \beta_1} = -2 \sum_{i=1}^n x_i (y_i – \beta_0 – \beta_1 x_i) = 0 \]
Энэхүү шугаман тэгшитгэлийн системийг бодсоноор бид \(\hat{\beta_0}\) болон \(\hat{\beta_1}\) үнэлэлтүүдийг олж чадна:
\[ \hat{\beta_1} = \frac{n \sum_{i=1}^n x_i y_i – \sum_{i=1}^n x_i \sum_{i=1}^n y_i}{n \sum_{i=1}^n x_i^2 – (\sum_{i=1}^n x_i)^2} \]
\[ \hat{\beta_0} = \bar{y} – \hat{\beta_1} \bar{x} \]
энд \(\bar{y}\) болон \(\bar{x}\) нь тус тус \(y\) болон \(x\)-ийн дундажууд юм.
Хамгийн бага квадратын аргыг хэрэглэх
1. Эдийн засаг ба санхүү
Хамгийн бага квадратын аргыг эдийн засгийн хувьсагчдын хоорондын хамаарлыг загварчлахад эконометрикт өргөн ашигладаг. Жишээлбэл, эдийн засгийн шинжээч ажилгүйдлийн түвшин инфляцид үзүүлэх нөлөөллийг загварчлахыг хүсч болно. Хамгийн бага квадратын аргыг ашиглан шинжээч хоёр хувьсагчийг холбосон регрессийн загвар боловсруулж, хамаарлын хүч чадал, мөн чанарын талаар статистик дүгнэлт хийж болно.
2. Нийгмийн ухаан
Нийгмийн шинжлэх ухаанд хамгийн бага квадратын аргыг хүний зан төлөв болон бусад хувьсагчдын хоорондын хамаарлыг судлах судалгаа, сэтгэл зүйн судалгаанд ихэвчлэн ашигладаг. Сонгодог жишээ бол хувь хүний аз жаргалын түвшинг жилийн орлоготой нь холбосон энгийн шугаман регресс юм.
3. Инженерчлэл
Инженерийн салбарт багажийн тохируулга болон дохионы боловсруулалтад хамгийн бага квадратын аргыг ашиглаж болно. Жишээлбэл, дижитал дүрс боловсруулалтад энэ аргыг ажиглагдсан өгөгдөл дээр үндэслэн загварыг тохируулах замаар дүрсний шуугианыг бууруулахад ашигладаг.
4. Цаг уур судлал ба цаг уур судлал
Цаг уурчид энэ аргыг температур, хур тунадас болон бусад цаг агаарын хувьсагчтай холбоотой өгөгдлийг шинжлэхэд ашигладаг. Регрессийн загваруудын тусламжтайгаар тэд түүхэн өгөгдөлд үндэслэн цаг агаарын хэв маягийг урьдчилан таамаглаж, илүү нарийвчлалтай урьдчилсан мэдээ гаргахад тусалдаг.
Python ашиглан практик хэрэгжилт
Хамгийн бага квадратын аргыг, ялангуяа энгийн шугаман регрессийг практикт хэрэгжүүлэхийн тулд бид `numpy` болон `matplotlib` сангуудын тусламжтайгаар Python програмчлалын хэлийг ашиглаж болно. Энэ үйл явцыг харуулсан кодын жишээг энд оруулав:
"` питон
np гэж numpy импортлох
matplotlib.pyplot-г plt хэлбэрээр импортлох
Жишээ өгөгдөл
x = np.array([1, 2, 3, 4, 5])
y = np.array([2, 3, 5, 7, 11])
x ба y-ийн дундаж
mean_x = np.mean(x)
mean_y = np.mean(y)
Параметрүүдийг тооцоолох
хүртүүр = np.sum((x – mean_x) (y – mean_y))
хуваарь = np.sum((x – mean_x) 2)
b1 = хүртвэр / хуваарь
b0 = дундаж_y – b1 дундаж_x
Таамаглал y
y_pred = b0 + b1 x
Зураглалын үр дүн
plt.scatter(x, y, color='blue', label='Audition Data')
plt.plot(x, y_pred, color='red', label='регрессийн шугам')
plt.xlabel('x')
plt.ylabel('y')
plt.legend()
plt.show()
print(f”Регрессийн коэффициентууд: b0 = {b0}, b1 = {b1}”)
""
Дүгнэлт
Хамгийн бага квадратын арга нь статистик болон өгөгдлийн шинжилгээний хүчирхэг бөгөөд зайлшгүй үндэс суурь юм. Алдааг багасгах, загварын тохирлыг хамгийн их байлгах чадвар нь эдийн засгаас эхлээд инженерчлэл, нийгмийн шинжлэх ухаан хүртэл өргөн хүрээний салбарт маш хэрэгтэй болгодог. Үндсэн ойлголт нь энгийн боловч энэ аргыг шугаман бус регресс, холимог үр нөлөөний загвар, машин сургалт зэрэг илүү нарийн төвөгтэй загваруудад өргөжүүлж болно. Хамгийн бага квадратын аргыг сайн ойлгож, хангалттай дадлага хийснээр бид өгөгдлийн шинжилгээнийхээ нарийвчлалыг сайжруулж, илүү мэдээлэлтэй шийдвэр гаргаж чадна.
Энэ нийтлэлд хамгийн бага квадратын арга болон түүний хэрэглээний талаар тодорхой бөгөөд цогц тоймыг өгсөн гэж найдаж байна.
