Lineáris regresszió

Regressziós analízist is hozzá kell adni a statisztikai módszerek tanulmányozása közötti kapcsolat specifikus változók (függő és független). Ebben az esetben a független változók az úgynevezett „kovariánsoknak” és függő - „kriteriális”. Amikor végzett lineáris regressziós analízissel függő változó képviselet formáját ölti intervallum skálán. Van egy jelenlétének valószínűsége nemlineáris változók közti összefüggéseket kapcsolatos intervallum skála, de ez a probléma már megoldott módszerekkel nemlineáris regresszió, amely nem tárgya a cikk.

Lineáris regressziót elég sikeres, mint a matematikai számítások és gazdasági tanulmányok statisztikai adatok alapján.

Tehát hogy ezt a regressziós tovább. Szemszögéből a matematikai meghatározásának módja közötti lineáris összefüggés bizonyos változók lineáris regressziós leírható mint egy általános képletű: y = a + bx. A magyarázat ez a képlet megtalálható minden tankönyv ökonometria.

Amikor bővülő száma megfigyelési (legfeljebb n-edik számú alkalommal) kapott egy egyszerű lineáris regressziós, egy alábbi:

yi = A + BXI + EI,

ahol ei - független, egyforma eloszlású, valószínűségi változók.

Ebben a cikkben szeretnék nagyobb figyelmet fordítanak e fogalom abból a szempontból előrejelzése a jövő ár alapján a korábbi adatokat. Ezen a területen, úgy becsüljük, lineáris regressziós aktívan használja a legkisebb négyzetek módszere, amely segít építeni a „legalkalmasabb” egyenest egy bizonyos számú érték ár pontot. A bemeneti adatok által használt ár pont, azaz a magas, alacsony, záró vagy nyitó, és az ezen értékek átlagát (például, az összeg a maximális és minimális osztva két). Továbbá, ezek az adatok felépítése előtt a megfelelő sor tetszőlegesen egyenlíteni.

Mint már említettük, a lineáris regresszió gyakran használják az elemzők, hogy meghatározza a trend alapján az ár és az idő. Ebben az esetben az a regressziós jelző nagyságának meghatározásához árváltozások időegység alatt. Az egyik feltétel a helyes döntés segítségével ez a mutató használatát a jelgenerátor tendenciáját követve dőlési regresszió. Ha pozitív meredeksége (emelkedő lineáris regresszió) vásárlás végezni, ha a mutató értéke nagyobb, mint nulla. A negatív meredeksége (csökkenő regresszió) eladó kell lennie negatív mutató értéke (kevesebb, mint nulla).

Ahogy meghatározásához alkalmazott legjobb megfelelő sorban egy bizonyos számú ár pont, a legkisebb négyzetek módszerével azt jelenti, hogy a következő algoritmus:

- a teljes kifejeződése a különbség a négyzetek az árak, és a regressziós egyenes;

- az aránya ezt az összeget, és a vonalak száma a tartományban regressziós adatsor;

- upon az eredmény kiszámított négyzetgyök, amely megfelel a standard deviáció.

Egyszerű lineáris regressziós egyenlet az a modell:

y (x) = f (x) ^,

ahol - produktív jellemzői ismerteti a függő változó;

X - magyarázó vagy független változó;

^ Hiányát jelzi szigorú funkcionális kapcsolatot a változók között az x és y. Ezért minden egyes esetben, a y változó állhat ilyen feltételek:

y = yx + ε,

ahol - a tényleges eredmény adatok

uh - elméleti eredmény adatok által meghatározott megoldása a regressziós egyenlet ;

ε - véletlenszerű változó, amely jellemzi az eltérés a tényleges érték és az elméleti.