Hvor den minste kvadraters metode

minste kvadraters metode (LSM) gjør det mulig å evaluere forskjellig verdi fra måleresultatene fra settet som inneholder tilfeldige feil.

MNCs Feature

Den grunnleggende ideen med denne metoden er at nøyaktigheten kriteriene for å løse problemet regnes summen av kvadrerte feil, som søker å minimere. Ved bruk av denne metoden kan brukes som en numerisk og analytisk tilnærming.

Spesielt, som en numerisk gjennomføring av den minste kvadraters metode innebærer å utføre den størst mulige antall av målinger av ukjent tilfeldig variabel. Dessuten, jo flere beregninger, jo bedre løsning. På dette settet databehandling (rådata) oppnådd annen flerhet påstått oppløsninger, hvorfra da den beste valgt. Hvis løsningen satt av parametriseres, da den minste kvadraters metode er redusert for å finne de optimale parameterverdier.

Som en analytisk tilnærming til implementering av MNCer på de innstilte innganger (målinger) og den forventede sett av løsninger bestemmes av en viss funksjonell relasjon (funksjonell) som kan uttrykkes ved formelen oppnådd som en hypotese som krever bekreftelse. I dette tilfelle blir den minste kvadraters metode reduseres til å finne minimum av denne funksjonelle på settet av kvadrater av rå datafeil.

Legg merke til at ingen feil selv, nemlig feil firkanter. Hvorfor? Det faktum at det ofte er måling av avvik fra den nøyaktige verdien kan være både positiv og negativ. Ved bestemmelse av den gjennomsnittlige målefeilen enkel summering kan føre til en falsk konklusjon om kvalitetsvurderingen, ettersom gjensidig ødeleggelse av positive og negative verdier av flertallet av lavere strøm prøvemålinger. Og dermed nøyaktigheten av anslaget.

Til dette skjedde ikke, og summere de kvadrerte avvikene. Enda mer for å justere dimensjonen målte verdi og den endelige evalueringen av summen av kvadratene av feilene utvunnet kvadratrot.

Noen MNCs programmer

MNCs er mye brukt i ulike felt. For eksempel, i sannsynlighet og matematisk statistikk metode anvendes for å bestemme slike karakteristika for tilfeldige variabler slik som standardavvik, som bestemmer bredden av det området av verdier av den tilfeldige variable.

I matematisk analyse og ulike felt av fysikk, brukes til å vise eller bekrefte denne hypotesen apparat er OLS spesielt brukes til å estimere det omtrentlige representasjon av funksjoner som er definert på en numerisk sett, enklere funksjoner som innrømmer analytisk transformasjon.

En annen anvendelse av denne teknikk - separasjon av det ønskede signal fra støy overlagret på den i filtreringsproblemer.

Et annet bruksområde for OLS - Econometrics. Her er denne metoden så utbredt at noen spesielle modifikasjoner ble bestemt for ham.

De fleste økonometriske problemer, på en eller annen måte, blir redusert til å løse et system av lineære ligninger som beskriver økonometriske oppførselen til visse systemer - strukturmodeller. Hovedelementet i hvert slikt mønster - en tidsserie som representerer et bestemt sett av egenskaper, hvis verdier avhenger av både tid og en rekke andre faktorer. Dette kan forekomme mellom de samsvarende indre (endogen) egenskaper modell og ytre (eksogene) egenskaper. Denne korrespondansen er vanligvis uttrykt i form av systemer av lineære ligninger økonomisk.

Et karakteristisk trekk ved slike systemer er eksistensen av forholdene mellom de enkelte variabler, som på den ene siden, kompliserer det den andre - overstyring. Hva er årsaken til usikkerhet i valg av løsninger av slike systemer. En ytterligere faktor som kompliserer løsningen av slike problemer er det avhengighet av modellparametrene fra tid til annen.

Hovedformålet med økonometriske problemer - identifikasjon av modeller, er at definisjonen av strukturelle forhold i modellen som er valgt, så vel som vurdering av et antall parametere.

Dekningsavhengigheter i tidsserien, kan deler av modellen som skal utføres, i særdeleshet, enten direkte via MNC og noen modifikasjoner derav, så vel som andre metoder. Spesielle modifikasjoner av MNCs i å løse slike problemer spesielt utviklet for løsning av eventuelle problemer som oppstår i løpet av numerisk løsning av ligningssystemer.

Spesielt en av disse problemene forbundet med tilstedeværelsen av de initielle begrensninger på de parametere som må evalueres. For eksempel kan private foretak inntekt bli brukt på forbruk eller på sin utvikling. Følgelig er summen av delene av disse to typer kostnader tydeligvis lik 1. Systemet av ligninger økono- disse delene kan være inkludert uavhengig av hverandre. Følgelig er det mulig å vurdere ulike typer avfall via OLS, med unntak av de første begrensninger, og deretter korrigere resultatet. Denne måten å løsninger kalt indirekte minste kvadraters metode.

Indirekte Least Squares (ILS) blir brukt til å nøyaktig bestemme den strukturelle modellen. KMNK algoritme omfatter følgende trinn:

1) transformering av strukturelle modellen i en mer enkel, redusert form ved å innføre en tilleggsfunksjon;

2) Evaluering med en konvensjonell OLS redusert koeffisienter for hver ligning av en forenklet modell;

3) oppnådde koeffisienter for enkel form modellen omdannes til parameterne for den opprinnelige strukturelle modellen.

Det er verdt å merke seg at for sverhidentifitsiruemyh systemer KMNK ikke anvendes, da i dette tilfellet, kan ikke være oppgaven med entydige estimater av parametre av den strukturelle modellen. For slike modeller kan benyttes en annen modifikasjon MNCer - to-trinns metoden for minste kvadrater (KDOM).

KDOM algoritmen er som følger:

1) basert på den forenklede modellen for å beregne sverhidentifitsiruemogo likningsverdier for interne variabler, som finnes i den høyre side av ligningen;

2) å erstatte verdiene av variablene i stedet for virkelige relevante variabler i den opprinnelige modellen og igjen anvende OLS.

Detaljert beskrivelse av indirekte og to-trinns minste kvadraters metode er gitt i mange bøker økonometrisk. Det særegne ved disse fremgangsmåter, så vel som den OLS, i deres allsidighet gjør det mulig for dem å vurdere koeffisientene til en hvilken som helst strukturell modell i hvilken domene.