Ano ang Paraan sa Pinakamaliit na Parisukat?
Ang pamamaraan na "hindi bababa sa mga parisukat" ay isang anyo ng pagsusuri ng regresyon ng matematika na ginamit upang matukoy ang linya ng pinakamahusay na akma para sa isang hanay ng data, na nagbibigay ng isang visual na pagpapakita ng ugnayan sa pagitan ng mga puntos ng data. Ang bawat punto ng data ay kumakatawan sa ugnayan sa pagitan ng isang kilalang independyenteng variable at isang hindi kilalang umaasang variable.
Ano ang Sinasabi sa Iyong Pinakamaliit na Paraan ng Parisukat?
Ang hindi bababa sa mga parisukat na pamamaraan ay nagbibigay ng pangkalahatang pangangatwiran para sa paglalagay ng linya ng pinakamahusay na akma sa mga puntos ng data na pinag-aralan. Ang pinakakaraniwang aplikasyon ng pamamaraang ito, na kung minsan ay tinutukoy bilang "linear" o "ordinaryong", ay naglalayong lumikha ng isang tuwid na linya na pinaliit ang kabuuan ng mga parisukat ng mga pagkakamali na nalilikha ng mga resulta ng nauugnay na mga equation, tulad bilang ang mga parisukat na natitira na nagreresulta mula sa mga pagkakaiba-iba sa sinusunod na halaga, at ang halaga na inaasahan, batay sa modelong iyon.
Ang pamamaraang ito ng pagsusuri ng regression ay nagsisimula sa isang hanay ng mga puntos ng data na mai-plot sa isang x- at y-axis graph. Ang isang analista na gumagamit ng hindi bababa sa paraan ng mga parisukat ay bubuo ng isang linya ng pinakamahusay na akma na nagpapaliwanag ng potensyal na ugnayan sa pagitan ng mga independiyenteng at umaasa sa mga variable.
Sa pagsusuri ng regression, ang mga variable na dependant ay isinalarawan sa vertical y-axis, habang ang mga independiyenteng variable ay isinalarawan sa pahalang na x-axis. Ang mga pagtatalaga na ito ay bubuo ng equation para sa linya ng pinakamahusay na akma, na natutukoy mula sa hindi bababa sa mga parisukat na pamamaraan.
Kabaligtaran sa isang problema sa guhit, ang isang hindi linya na hindi bababa sa mga parisukat na problema ay walang saradong solusyon at sa pangkalahatan ay malulutas ng pag-ihi. Ang pagtuklas ng hindi bababa sa mga parisukat na pamamaraan ay maiugnay kay Carl Friedrich Gauss, na natuklasan ang pamamaraan noong 1795.
Mga Key Takeaways
- Ang hindi bababa sa paraan ng mga parisukat ay isang pamamaraan ng istatistika upang mahanap ang pinakamahusay na akma para sa isang hanay ng mga puntos ng data sa pamamagitan ng pagliit ng kabuuan ng mga natanggal o nalalabi ng mga puntos mula sa balangkas na curve.Least squares regression ay ginagamit upang mahulaan ang pag-uugali ng mga umaasa sa variable.
Halimbawa ng Paraan sa Pinakamababang Mga parisukat
Ang isang halimbawa ng hindi bababa sa pamamaraan ng mga parisukat ay isang analyst na nais na subukan ang ugnayan sa pagitan ng mga pagbabalik ng stock ng kumpanya, at ang pagbabalik ng index kung saan ang stock ay isang sangkap. Sa halimbawang ito, ang analyst ay naglalayong subukan ang pag-asa sa mga pagbabalik ng stock sa pagbalik ng index. Upang makamit ito, ang lahat ng mga pagbabalik ay naka-plot sa isang tsart. Ang index bumalik ay pagkatapos ay itinalaga bilang independiyenteng variable, at ang mga pagbabalik ng stock ay umaasa sa variable. Ang linya ng pinakamahusay na akma ay nagbibigay ng analista sa mga koepisyentong nagpapaliwanag sa antas ng pag-asa.
Ang Linya ng Pinakamahusay na Pagkabagay ng Pagkabagay
Ang linya ng pinakamahusay na akma na tinutukoy mula sa hindi bababa sa mga parisukat na pamamaraan ay may isang equation na nagsasabi sa kuwento ng relasyon sa pagitan ng mga puntos ng data. Ang linya ng mga pinakamahusay na angkop na mga equation ay maaaring matukoy ng mga modelo ng software ng computer, na may kasamang isang buod ng mga output para sa pagsusuri, kung saan ipinapaliwanag ng mga coefficients at buod ng mga output ang pag-asa ng mga variable na nasubok.
Least Squares Regression Line
Kung ang data ay nagpapakita ng isang payat na ugnayan sa pagitan ng dalawang variable, ang linya na pinakamahusay na umaangkop sa linear na relasyon na ito ay kilala bilang isang hindi bababa sa mga parisukat na linya ng regression, na pinaliit ang vertical na distansya mula sa mga punto ng data hanggang sa linya ng regression. Ginagamit ang salitang "hindi gaanong mga parisukat" sapagkat ito ang pinakamaliit na kabuuan ng mga parisukat ng mga pagkakamali, na tinatawag ding "pagkakaiba-iba".
