Equação de regressão - página 4
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Penso que se o número de graus de liberdade é fácil e o tipo de dependência é a priori claro - qual é a questão?
Z.I. Devo ter sentido falta da Ilha do Deserto. Gostaria de ler algo sensato...
Não sei, mas esta ilha parece estar flutuando na noosfera.
E a população está iludida em sua imortalidade.
Imho.
Você pode ser mais específico?
O MOC é posicionado, entre outras coisas, como um método para estimar os melhores parâmetros para uma função selecionada a priori pelo pesquisador.
As fórmulas para calcular estes parâmetros minimizando o quadrado do desvio dos dados reais da função de proxy são derivadas para uma variedade de funções.
Onde aparecem as caudas gordurosas?
Por favor, me esclareçam...
Podem ocorrer rabos gordurosos se o modelo escolhido pelo pesquisador não for adequado para a série real. A verificação padrão de adequação de qualquer modelo de regressão aos dados reais é a distribuição de resíduos. Os resíduos são o desvio de dados reais dos dados do modelo. Se o modelo for adequado, então a distribuição dos resíduos deverá ser normal. O ANC minimiza a soma destes desvios, mas a distribuição dos resíduos não será necessariamente normal, embora em algumas partes da série possa ser. A regressão linear faz sentido para o modelo SB com drift ou em algumas partes da série que satisfazem este modelo. Se você souber como identificar tais segmentos antes que eles terminem, então a regressão linear faz sentido na prática. E a ANM apenas capta os parâmetros do modelo escolhido - ela não garante a adequação do modelo em si. É por isso que não é culpa da MNC - é a seleção de um modelo adequado e sua correta parametrização que importa. E o modelo pode ser de qualquer tipo - estacionário/não estacionário ou soma de diferentes distribuições, por exemplo. imha
Ver https://www.mql5.com/go?link=http://emm.ostu.ru/lect/lect6_2.html[hash]vopros11 "Verificação da adequação do modelo de regressão" para maiores detalhes.
Podem ocorrer rabos gordurosos se o modelo escolhido pelo pesquisador não for adequado para a série real. O teste padrão de adequação de qualquer modelo de regressão aos dados reais é a distribuição dos resíduos. Os resíduos são o desvio de dados reais dos dados do modelo. Se o modelo for adequado, então a distribuição dos resíduos deverá ser normal. O ANC minimiza a soma destes desvios, mas a distribuição dos resíduos não será necessariamente normal, embora em algumas partes da série possa ser. A regressão linear faz sentido para o modelo SB com drift ou em algumas partes da série que satisfazem este modelo. Se você souber como identificar tais segmentos antes que eles terminem, então a regressão linear faz sentido na prática. E o ANC apenas capta os parâmetros do modelo escolhido - ele não garante a adequação do modelo em si. É por isso que não é culpa da MNC - é a seleção de um modelo adequado e sua correta parametrização que importa. E o modelo pode ser de qualquer tipo - estacionário/não estacionário ou soma de diferentes distribuições, por exemplo. imha
Para maiores detalhes https://www.mql5.com/go?link=http://emm.ostu.ru/lect/lect6_2.html[hash]vopros11 "Verificação da adequação do modelo de regressão".
Você escreveu isto para mim? o)
Era disso que eu estava falando no outro dia...
FreeLance 19.09.2010 15:52Bem, obter uma distribuição empírica dos erros quando aproximada por um polinômio. E compará-lo com o normal. Preste especial atenção aos rabos, não à parte central.
Estamos falando em escolher os melhores (no sentido de MNC) parâmetros polinomiais?
Ou sobre escolhê-las - mas as melhores em outro sentido?
Ou sobre a exatidão do polinômio para a aproximação?
Pedi uma explicação sobre a ineficiência do MNC para calcular parâmetros de uma função pré-selecionada (afinal, a razão para a espessuras pode estar em uma função infeliz :).
E se existem procedimentos igualmente simples para determinar estes parâmetros - fico feliz em conhecê-los.
Mas estou surpreso com a formulação da pergunta: como há caudas em erros, o MNC não é bom...
;)
Há uma idéia diferente sendo empurrada por aqui -
Tal função alvo - soma dos quadrados de erro - só é ótima quando a distribuição de erros em si é normal.
;)
Você escreveu isto para mim? o)
Era isso que eu estava dizendo no outro dia...
FreeLance 19.09.2010 15:52Eu não escrevi contra a citada, eu estava até a favor :)
Não sou contra a citação, sou até a favor :)
Obrigado por sua ajuda na discussão.
Mas a pergunta/resposta de Alexey permanece em aberto.
Aplicar o ISC somente se você tiver certeza de que a futura distribuição de erros é normal?
Como - conheça o buy-in...
;)
Aplique o ISC somente se você estiver confiante de que a futura distribuição de erros é normal?
;)
Parece que sim (de acordo com google :)), MNC é ótimo se o erro de medição for normalmente distribuído. Para outras distribuições de erros, há o método menos moduli (os erros são distribuídos por Laplace) e o método de máxima probabilidade (em geral, se a distribuição de erros for conhecida). MNC nem sempre é o melhor :)
No entanto, em nosso caso, a distribuição de erros ainda é desconhecida.
FreeLance:
Aplicar ANC somente se você tiver certeza de que a futura distribuição de erros é normal?
Sim, e concordo com Alexey que a MNC no caso Gaussian é equivalente ao método da máxima probabilidade. Para outras distribuições, dá resultados piores e muito piores ainda. Lembro-me, quando eu era aluno do instituto que estudava matemática, uma frase padrão dos professores, que sempre me intrigou, era: "Como é mais fácil fazer cálculos desta forma (!!!!), vamos supor que a distribuição de erros é gaussiana". Poucas pessoas pensam que mesmo os fundadores desses métodos (Euler em particular) alertaram os pesquisadores sobre o perigo de sacrificar a lógica do raciocínio em nome da simplicidade dos cálculos. Como resultado, o aparato matemático dos métodos alternativos está pouco desenvolvido, e é preciso fazer e inventar tudo de forma pouco cuidadosa por si mesmo. Ainda bem que meus pais me enviaram para estudar engenharia :)))
j21,
Com relação à escolha do polinômio, pessoalmente não vejo a vantagem de ir além do terceiro ou quarto grau.
Parece que sim (de acordo com google :)), MNC é ótimo se o erro de medição for normalmente distribuído. Para outras distribuições de erros, existe o método do módulo mínimo (os erros são distribuídos por Laplace) e o método da máxima probabilidade (em geral, se a distribuição de erros for conhecida). MNC nem sempre é o melhor :)
É verdade, em nosso caso a distribuição de erros ainda é desconhecida.
Tudo isso significa que devemos nos aproximar da função "plausível", não o que quer que seja...
do quarto grau.
;)
Deixe-me explicar, dando uma ilustração
P.S. Só por precaução, deixe-me explicar: esta figura mostra claramente o que uma forte ejeção pode fazer com o MNC. A ejeção é, evidentemente, bastante proeminente aqui, aparentemente por uma questão de clareza.