Regresyon Denklemi - sayfa 4
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Bence, serbestlik derecelerinin sayısı stresli değilse ve bağımlılık türü a priori açıksa - soru ne hakkında?
ZY ama görünüşe göre ıssız adayı kaçırmışım. linki paylaşmayın Konunun mantıklı olduğunu okumak istiyorum...
Bilmiyorum ama bu ada noosferde yüzüyor gibi görünüyor...
Ve nüfus onun ölümsüzlüğüne aldanmıştır.
BENİM NACİZANE FİKRİME GÖRE.
Daha spesifik olabilir misin?
MNC dahil olarak konumlandırılmıştır. araştırmacı tarafından önceden seçilen bir fonksiyon için en iyi parametrelerin seçimini değerlendirmek için bir yöntem olarak.
bir dizi fonksiyon için, bu parametreleri hesaplamak için formüller türetilir, gerçek verilerin yaklaşık fonksiyondan karesel sapması en aza indirilir.
Yağ kuyrukları nereden geliyor?
aydınlat beni lütfen...
Araştırmacı tarafından seçilen modelin gerçek seriye uygun olmaması durumunda yağ kuyrukları oluşabilir. Herhangi bir regresyon modelinin gerçek verilere yeterliliğinin standart testi, artıkların dağılımıdır. Artıklar, gerçek verilerin model olanlardan sapmasıdır. Model yeterliyse, artıkların dağılımı şu şekilde olmalıdır: normal. En küçük kareler, bu sapmaların toplamını en aza indirir, ancak artıkların dağılımı, dizinin bazı bölümlerinde olmasına rağmen, her zaman normal olmayacaktır. Doğrusal regresyon, kaymalı bir SB modeli için veya bu modeli karşılayan bir serinin ayrı bölümleri için anlamlıdır. Bu tür alanları sona ermeden önce belirleyebilirseniz, doğrusal regresyon pratik bir anlam ifade eder. Ve MNC sadece seçilen modelin parametrelerini seçer - modelin kendisinin yeterliliğini garanti etmez. Bu nedenle, LSM suçlanamaz - uygun bir model ve doğru parametrelendirmeyi seçmek önemlidir. Ve model olabilir her neyse - durağan / durağan olmayan veya örneğin çeşitli dağılımların toplamı. imha
Ayrıntılar https://www.mql5.com/go?link=http://emm.ostu.ru/lect/lect6_2.html[hash]vopros11 " Regresyon modelinin yeterliliğinin kontrol edilmesi"
Araştırmacı tarafından seçilen modelin gerçek seriye uygun olmaması durumunda yağ kuyrukları oluşabilir. Herhangi bir regresyon modelinin gerçek verilere yeterliliğinin standart testi, artıkların dağılımıdır. Artıklar, gerçek verilerin model olanlardan sapmasıdır. Model yeterliyse, artıkların dağılımı şu şekilde olmalıdır: normal. En küçük kareler, bu sapmaların toplamını en aza indirir, ancak artıkların dağılımı, dizinin bazı bölümlerinde olmasına rağmen, her zaman normal olmayacaktır. Doğrusal regresyon, kaymalı bir SB modeli için veya bu modeli karşılayan bir serinin ayrı bölümleri için anlamlıdır. Bu tür alanları sona ermeden önce belirleyebilirseniz, doğrusal regresyon pratik bir anlam ifade eder. Ve MNC sadece seçilen modelin parametrelerini seçer - modelin kendisinin yeterliliğini garanti etmez. Bu nedenle, LSM suçlanamaz - uygun bir model ve doğru parametrelendirmeyi seçmek önemlidir. Ve model olabilir ne olursa olsun - durağan / durağan olmayan veya örneğin çeşitli dağılımların toplamı. imha
Ayrıntılar https://www.mql5.com/go?link=http://emm.ostu.ru/lect/lect6_2.html[hash]vopros11 " Regresyon modelinin yeterliliğinin kontrol edilmesi"
Bunu bana sen mi yazdın? Ö)
Geçen gün bundan bahsetmiştim...
Serbest Meslek 19.09.2010 15:52Pekala, onu alın ve bir polinomla yaklaşırken hataların ampirik dağılımını alın. Ve normal ile karşılaştırın. Orta kısma değil, kuyruklara özellikle dikkat edin.
Polinomun en iyi (en küçük kareler anlamında) parametrelerini seçmekten mi bahsediyoruz?
Veya onları seçmek - ama farklı bir anlamda en iyisi?
Veya yaklaşıklık için doğru polinom seçimi hakkında?
Önceden seçilmiş bir fonksiyonun parametrelerini hesaplamak için en küçük kareler yönteminin verimsizliğini bana açıklamamı istedim (sonuçta şişman kuyruğun nedeni başarısız bir fonksiyonda olabilir :).
Ve bu parametreleri belirlemek için aynı basit prosedürler varsa, onlarla memnuniyetle tanışacağım.
Ancak sorunun ortaya çıkması beni şaşırtıyor: Hatalarda kuyruklar olduğu için MNC uygun değil ...
;)
Burada başka bir fikri öne sürüyorlar -
Böyle bir amaç fonksiyonu - karesi alınmış hataların toplamı - sadece hata dağılımının kendisi normal olduğunda optimaldir.
;)
Bunu bana sen mi yazdın? Ö)
Geçen gün bundan bahsetmiştim...
Serbest Meslek 19.09.2010 15:52Alıntı yapılana karşı yazmadım, ama için bile :)
Alıntı yapılana karşı yazmadım, ama için bile :)
Tartışmadaki yardımın için teşekkür ederim.
Ancak Alexey'nin sorusu/cevabi açık kalıyor.
En küçük kareleri , yalnızca gelecekteki hataların dağılımının normalliğine güven varsa uygulayın?
Gibi - geri alımı bilin ...
;)
En küçük kareleri , yalnızca gelecekteki hataların dağılımının normalliğine güven varsa uygulayın?
;)
öyle görünüyor ki (Google'ın verdiğine bakılırsa :)), ölçüm hatası normal dağılmışsa LSM en uygunudur. Diğer hata dağılımları için, en düşük modül yöntemi (hatalar Laplace'a göre dağıtılır) ve maksimum olabilirlik yöntemi (genel olarak, hata dağılımı biliniyorsa) vardır. MNK her zaman en iyisi değildir :)
Doğru, bizim durumumuzda hatanın dağılımı hala bilinmiyor ...
FreeLance :
En küçük kareleri , yalnızca gelecekteki hataların dağılımının normalliğine güven varsa uygulayın?
Evet ve Alexei ile Gauss durumundaki LSM'nin maksimum olabilirlik yöntemine eşdeğer olduğu konusunda hemfikirim. Diğer dağılımlarla daha kötü ve hatta çok daha kötü sonuçlar verir. Hatırlıyorum, enstitüde, matematiksel istatistik derslerinde, öğretmenlerin beni her zaman şaşırtan standart ifadesi şuydu: "Hesaplama yapmak bizim için daha kolay olduğundan (!!!!), varsayalım ki dağılım hataların sayısı Gauss'tur." Aynı zamanda, çok az insan, bu yöntemlerin kurucularının bile (özellikle Euler), araştırmacıları hesaplamaların basitliği uğruna akıl yürütme mantığından fedakarlık etme tehlikesi konusunda uyardığını düşünüyor. Sonuç olarak, alternatif yöntemlerin matematiksel aparatı zayıf bir şekilde gelişmiştir ve her şeyi yarı yarıya yapmanız ve kendiniz bulmanız gerekir. Ailemin beni mühendis olarak okumam için göndermesi iyi oldu :)))
j21,
Bir polinom seçimiyle ilgili olarak, kişisel olarak üçüncü veya dördüncü dereceden daha ileri gitmek için bir neden görmüyorum.
Görünüşe göre evet (Google'ın verdiğine bakılırsa :)), ölçüm hatası normal olarak dağılmışsa LSM en uygunudur. Diğer hata dağılımları için, en düşük modül yöntemi (hatalar Laplace'a göre dağıtılır) ve maksimum olabilirlik yöntemi (genel olarak, hata dağılımı biliniyorsa) vardır. MNK her zaman en iyisi değildir :)
Doğru, bizim durumumuzda hatanın dağılımı hala bilinmiyor ...
Bu sadece, "makul" bir fonksiyona yaklaşmamız gerektiği ve buna çarpmamamız gerektiği anlamına gelir...
dördüncü derece.
;)
Size açıklamanız için bir resim vereyim.
Not Her ihtimale karşı, açıklayacağım: bu şekil, güçlü bir aykırı değerin en küçük karelerle neler yapabileceğini açıkça göstermektedir. Tabii ki buradaki fırlatma, görünüşe göre netlik için oldukça olağanüstü.