תשובה:
אתה צריך לראות את התשובה המלאה כדי להבין
הסבר:
אני לא יודע בדיוק למה אתה מתכוון הראשון אתה מקבל את הנתונים שלך להגדיר איפה אתה נסוג y על x כדי למצוא כיצד שינוי x אפקטים y.
x y
1 4
2 6
3 7
4 6
5 2
ואתה רוצה למצוא את הקשר בין x ו- y אז אתה אומר שאתה מאמין המודל הוא כמו
או בנתונים סטטיסטיים
אלה
לכן
זה אומר לך כי הקווים הצפוי ייתן לך את הערך y החזוי.
אז עכשיו אתה רוצה למצוא את האומדנים הטובים ביותר עבור co-efficents אלה אנו עושים זאת על ידי מציאת ההבדל הנמוך ביותר בין הערך y בפועל צפוי.
זה בעצם אומר כי אתה רוצה את המינימום של סכום ההבדלים בין ערכי y אקוטלי וערכים y חזה עבור קו הרגרסיה שלך
אז את הנוסחאות למציאת אותם
מה מגדיר מערכת ליניארית לא עקבית? האם ניתן לפתור מערכת ליניארית לא עקבית?
מערכת עקבית של משוואות היא, מעצם הגדרתה, מערכת משוואות שאין לה מערכת של ערכים לא ידועים שהופכים אותה למערך של זהויות. זה בלתי פתיר על ידי הגדרה. דוגמה למשוואה ליניארית אחת לא עקבית עם משתנה לא ידוע אחד: 2x + 1 = 2 (x + 2) ברור כי הוא שווה ערך ל 2x + 1 = 2x + 4 או 1 = 4, שאינה זהות, x כזה הופך את המשוואה הראשונית לזהות. דוגמה של מערכת לא עקבית של שתי משוואות: x + 2y = 3 xx = 1 = 4-6y מערכת זו שווה ל x + 2 i = 3 3x + 6y = 5 הכפל את המשוואה הראשונה על ידי 3. התוצאה היא 3x + 6y = 9 זה, כמובן, לא עולה בקנה אחד עם המשוואה השנייה, שבו הביטוי אותו מכיל x ו- y בצד שמאל יש ערך שונה (5) בצד ימין. לפיכך, למערכת אין פתרונות. לכן, אנו י
איך אתה אקסטרפולציה באמצעות קו רגרסיה ליניארית?
כאשר אנו משתמשים בקו רגרסיה כדי לחזות נקודה שערך ה- x שלה נמצא מחוץ לטווח של x-value של נתוני האימון, זה נקרא אקסטרפולציה. על מנת (במכוון) אקסטרפולציה אנחנו פשוט משתמשים בקו הרגרסיה כדי לחזות ערכים רחוקים מנתוני האימון. שים לב כי חיוץ לא נותן תחזיות אמין כי קו הרגרסיה לא יכול להיות תקף מחוץ לטווח הנתונים הכשרה.
מדוע שיטת ריבועים מינימליים רגילים המשמשים רגרסיה ליניארית?
אם ההנחות של Gauss-Markof מחזיקות אז OLS מספק את השגיאה הסטנדרטית הנמוכה ביותר של כל אומדן ליניארי, כך שהאומדן הבלתי מוטה ליניארי הטוב ביותר. בהתחשב בהנחות אלו, הפרמטרים המשותפים של פרמטר הם ליניאריים, זה רק אומר ש- beta_0 ו- beta_1 הם ליניאריים, אבל למשתנה x אין כדי להיות ליניארי זה יכול להיות x ^ 2 הנתונים נלקח מתוך מדגם אקראי אין multine-collinearity מושלם כך שני משתנים אינם בקורלציה מושלמת. E (u / x_j) = 0 ההנחה המותנית הממוצעת היא אפס, כלומר המשתנים x_j אינם מספקים מידע על הממוצע של המשתנים הבלתי נצפים. השונות שוות לכל רמה נתונה של x כלומר, var (u) = sigma ^ 2 אז OLS הוא האומדן ליניארי הטוב ביותר באוכלוסייה של אמידות