Линеарна регресија

регресија анализа може да се додаде на статистички методи на проучување на односите помеѓу одредени променливи (зависни и независни). Во овој случај, независните варијабли се нарекуваат "covariates" и зависни - "criterial". При спроведување на анализата на линеарна регресија зависна варијабла застапеност е во форма на скала интервал. Постои веројатност за присуство на не-линеарни односи помеѓу променливи поврзани со скалата интервал, но овој проблем е веќе решен со методи на не-линеарна регресија, што не е предмет на овој член.

Линеарна регресија се користат доста успешно, како и во математички пресметки, и економски студии врз основа на статистички податоци.

Па сметаат дека ова регресија повеќе. Од гледна точка на математички метод на утврдување на линеарен однос помеѓу некои променливи линеарна регресија може да се претстави како формула: y = a + bx. За објаснување на оваа формула може да се најде во било кој учебник на економетријата.

Кога проширување на бројот на набљудување (до n-ти број на пати) добиени од едноставна линеарна регресија, претставена со формулата:

yi = A + bxi + РИ,

каде ei - независни, идентично распределени случајни променливи.

Во овој напис јас би сакал да се посвети поголемо внимание на овој концепт, од гледна точка на предвидување на иднината цена врз основа на претходните податоци. Во оваа област, проценето е линеарна регресија се активно користење на методот на најмали квадрати, кој им помага да се изгради на "најсоодветниот" права линија преку одреден број на вредностите на цена поени. внес на податоци се користат од цената точка, што значи високи, ниски, затворање или отворање, и просекот на овие вредности (на пример, збирот на максималната и минималната поделен со два). Исто така, овие податоци пред зграда соодветна линија може да се произволно измазнуваат.

Како што споменавме погоре, линеарна регресија често се користи од страна на аналитичарите за да се утврди тренд врз основа на цена и време. Во овој случај, на падините на индикаторот на регресија, ќе се утврди големината на промените во цените по единица време. Еден од условите за правилна одлука со користење на овој индикатор е употребата на генератор на сигнал, по трендот на наклонетост регресија. Ако се направи позитивен наклон (зголемувањето на линеарна регресија) купување, ако вредноста на индикаторот е поголема од нула. Во текот на негативното наклонот (намалување на регресија) за продажба треба да биде на негативни вредности на индикаторот (помалку од нула).

Како што се користи за утврдување на најдобриот линија која одговара на одреден број на цена поени, методот на најмали квадрати значи дека на следниов алгоритам:

- е вкупниот израз на разлика на квадрати на цените и регресија линија;

- е односот на оваа сума и број на барови во опсег од серија на податоци регресија;

- врз резултатот пресметува квадратен корен, што одговара на стандардна девијација.

Едноставна линеарна регресија равенка на моделот:

y (x) = f (x) ^,

каде - производствени карактеристики презентирани зависната променлива;

x - образложение или независна променлива;

^ Укажува на отсуство на строги функционална врска помеѓу променливи x и y. Затоа, во секој поединечен случај, променливата y може да се состои од таквите услови:

y = yx + ε,

каде - вистинските податоци резултат;

Ш - теоретски податоци резултат утврдени со решавање на регресивната равенка ;

ε - случајна променлива која ја карактеризира девијацијата помеѓу реалната вредност и теоретски.