Metoda najmniejszych kwadratów: Różnice pomiędzy wersjami
m (→Bibliografia: Clean up) |
m (cleanup bibliografii i rotten links) |
||
Linia 39: | Linia 39: | ||
==Bibliografia== | ==Bibliografia== | ||
<noautolinks> | <noautolinks> | ||
* Kot | * Kot S., Jakubowski J., Sokołowski A. (2011), ''Statystyka'', Difin, Warszawa | ||
</noautolinks> | </noautolinks> | ||
[[Kategoria:Statystyka]] | [[Kategoria:Statystyka]] | ||
{{#metamaster:description|Metoda najmniejszych kwadratów jest jedną z najważniejszych technik używanych w statystyce i ekonometrii do estymacji parametrów modelu regresji liniowej.}} | {{#metamaster:description|Metoda najmniejszych kwadratów jest jedną z najważniejszych technik używanych w statystyce i ekonometrii do estymacji parametrów modelu regresji liniowej.}} |
Wersja z 21:48, 13 lis 2023
Metoda najmniejszych kwadratów |
---|
Polecane artykuły |
Metoda najmniejszych kwadratów (MNK) jest jedną z najważniejszych technik używanych w statystyce i ekonometrii do estymacji parametrów modelu regresji liniowej. Jej celem jest minimalizacja sumy kwadratów różnic między wartościami obserwowanymi a wartościami przewidywanymi przez model.
W kontekście modelu regresji liniowej, MNK szuka linii najlepiej dopasowanej do danych, minimalizując sumę kwadratów reszt (różnic między wartościami obserwowanymi a wartościami przewidywanymi). Model regresji liniowej ma postać:
gdzie:
- to zmienna zależna dla i-tej jednostki
- to zmienna niezależna dla i-tej jednostki
- i to parametry modelu, które chcemy estymować
- to reszta (różnica między wartością obserwowaną a wartością przewidywaną przez model )
MNK estymuje parametry i poprzez minimalizację funkcji kwadratowej sumy reszt:
Wynikiem MNK są szacunki parametrów i , które minimalizują tę funkcję. Te szacunki można otrzymać poprzez różniczkowanie funkcji sumy kwadratów reszt i rozwiązanie układu równań wynikającego z równań normalnych.
Wyniki MNK można interpretować jako wartości, które minimalizują różnice między wartościami obserwowanymi a wartościami przewidywanymi przez model regresji liniowej. Im mniejsze są te różnice, tym lepsze dopasowanie modelu do danych.
Metoda najmniejszych kwadratów jest szeroko stosowana w dziedzinach takich jak ekonomia, finanse, nauki społeczne oraz wszędzie tam, gdzie analiza zależności między zmiennymi jest istotna.
Bibliografia
- Kot S., Jakubowski J., Sokołowski A. (2011), Statystyka, Difin, Warszawa