Метод наименьших квадратов: различия между версиями
[непроверенная версия] | [отпатрулированная версия] |
Содержимое удалено Содержимое добавлено
это лишнее |
|||
Строка 1:
[[Файл:Linear least squares(2).svg|thumb|Пример кривой, проведённой через точки, имеющие нормально распределённое отклонение от истинного значения.]]
{{redirect|МНК}}
'''Метод наименьших квадратов (МНК
== История ==
Строка 9:
== Суть метода наименьших квадратов ==
Пусть <math>x</math> — набор <math>n</math> неизвестных переменных (параметров), <math>f_i(x)</math>, <math>i=1, \ldots, m</math>, <math>m>n</math> — совокупность функций от этого набора переменных. Задача заключается в подборе таких значений <math>x</math>, чтобы значения этих функций были максимально близки к некоторым значениям <math>y_i</math>. По существу речь идет о «решении» переопределенной системы уравнений <math>f_i(x)=y_i</math>, <math>i=1, \ldots, m</math> в указанном смысле максимальной близости левой и правой частей системы. Суть МНК заключается в выборе в качестве «меры близости» суммы квадратов отклонений левых и правых частей
▲Пусть <math>x</math> — набор <math>n</math> неизвестных переменных (параметров), <math>f_i(x)</math>, <math>i=1, \ldots, m</math>, <math>m>n</math> — совокупность функций от этого набора переменных. Задача заключается в подборе таких значений <math>x</math>, чтобы значения этих функций были максимально близки к некоторым значениям <math>y_i</math>. По существу речь идет о «решении» переопределенной системы уравнений <math>f_i(x)=y_i</math>, <math>i=1, \ldots, m</math> в указанном смысле максимальной близости левой и правой частей системы. Суть МНК заключается в выборе в качестве «меры близости» суммы квадратов отклонений левых и правых частей <math>|f_i(x)-y_i|</math>. Таким образом, сущность МНК может быть выражена следующим образом:
: <math>\sum_i e^2_i=\sum_i (y_i-f_i(x))^2 \rightarrow \min_x</math>.
Строка 21 ⟶ 20 :
: <math>Ax=b</math>,
где <math>A</math> прямоугольная матрица размера <math>m\times n, m>n</math> (
Такая система уравнений в общем случае не имеет решения. Поэтому эту систему можно «решить» только в смысле выбора такого вектора <math>x</math>, чтобы минимизировать «расстояние» между векторами <math>Ax</math> и <math>b</math>. Для этого можно применить критерий минимизации суммы квадратов разностей левой и правой частей уравнений системы, то есть <math>(Ax-b)^T(Ax-b)\rightarrow \min_x</math>. Нетрудно показать, что решение этой задачи минимизации приводит к решению следующей системы уравнений
Строка 162 ⟶ 161 :
=== Случай полиномиальной модели ===
Если данные аппроксимируются полиномиальной функцией регрессии одной переменной <math>f(x) = b_0+\sum \limits_{i = 1}^{k} b_i x^{i}</math>, то, воспринимая степени <math>x^i</math> как независимые факторы для каждого <math>i</math> можно оценить параметры модели исходя из общей формулы оценки параметров линейной модели. Для этого в общую формулу достаточно учесть, что при такой интерпретации <math>x_{ti}x_{tj}=x^i_tx^j_t=x^{i+j}_t</math> и <math>x_{tj}y_t=x^j_ty_t</math>. Следовательно, матричные уравнения в данном случае примут вид:
Строка 218 ⟶ 216 :
{{main|Обобщенный метод наименьших квадратов}}
Метод наименьших квадратов допускает широкое обобщение. Вместо минимизации суммы квадратов остатков можно минимизировать некоторую положительно
Таким образом, можно выделить класс методов наименьших квадратов — LS-методы (Least Squares).
Строка 231 ⟶ 229 :
<math>V(\hat {b}_{GLS})=(X^TV^{-1}X)^{-1}</math>.
Фактически сущность ОМНК заключается в
=== Взвешенный МНК ===
Строка 239 ⟶ 237 :
* [[Обобщенный метод наименьших квадратов]]
* [[Двухшаговый метод наименьших квадратов]]
* [[Рекурсивный МНК]]
== Примечания ==
Строка 282 ⟶ 277 :
|место = М.
|издательство = Юнити-Дана
|год =
|страниц = 311
|isbn = 8-86225-458-7
Строка 323 ⟶ 318 :
* [http://www.chem-astu.ru/science/lsq/ Метод наименьших квадратов онлайн для зависимости y = a + bx] с вычислением погрешностей коэффициентов и оцениванием автокорреляции.
* [http://calculator-online.org/s/teoriya-veroyatnosti/method-naimenshih-kvadratov/ МНК для линейных и нелинейных зависимостей] (любой набор неизвестных коэффициентов) — на сайте «Контрольная работа РУ»
[[Категория:Эконометрика ]]
|