¿Qué es el indicador MT4 de regresión lineal?
La regresión lineal fue el primer tipo de análisis de regresión que se estudió rigurosamente y se utilizó ampliamente en aplicaciones prácticas. Esto se debe a que los modelos que dependen linealmente de sus parámetros desconocidos son más fáciles de ajustar que los modelos que no están relacionados linealmente con sus parámetros y porque las propiedades estadísticas del estimador resultante Son más fáciles de determinar.
En estadística, la regresión lineal es un enfoque lineal para modelar la relación entre una variable dependiente escalar y y una o más variables explicativas (o variables independientes) denominadas X. El caso de una variable explicativa i Se llama regresión lineal simple. Para más de una variable explicativa, el proceso se denomina regresión lineal múltiple. (Este término es distinto de la regresión lineal multivariada, donde se predicen múltiples variables dependientes correlacionadas, en lugar de una única variable escalar).
En la regresión lineal, las relaciones se modelan utilizando funciones de predicción lineal cuyos parámetros de modelo desconocidos se estiman a partir de los datos. Estos modelos se denominan modelos lineales. Más comúnmente, se supone que la media condicional de y dado el valor de X es una función afín de X; Con menos frecuencia, la mediana o algún otro cuantitativo de la distribución condicional de y dado X se expresa como una función lineal de X. Como todas las formas de análisis de regresión, las regresiones lineales La misión se centra en la distribución de probabilidad condicional de y dado X, en lugar de en la Distribución de probabilidad conjunta de y y X, que es el dominio del análisis multivariado.
La regresión lineal tiene muchos usos prácticos. La mayoría de las aplicaciones se clasifican en una de las dos categorías amplias siguientes:
Si el objetivo es la predicción, la previsión o la reducción de errores, se puede utilizar la regresión lineal para ajustar un modelo predictivo a un conjunto de datos observado de valores de y y X. Después de desarrollar dicho modelo, si se da un valor adicional de X sin el valor de y que lo acompaña, el modelo ajustado se puede utilizar para hacer una predicción del valor de y.
Dada una variable y y un número de variables X1,…, Xp que pueden estar relacionadas con y, se puede aplicar un análisis de regresión lineal para cuantificar la fuerza de la relación entre n y y el Xj, para evaluar cuál Xj puede no tener relación con y en absoluto, e identificar qué subconjuntos de Xj contienen información redundante sobre y.
Los modelos de regresión lineal a menudo se ajustan utilizando el enfoque de mínimos cuadrados, pero también se pueden ajustar de otras maneras, como minimizando la “falta de ajuste” en alguna otra norma (como con la regresión de desviaciones mínimas absolutas). encendido), o minimizando un реnаlizado La versión de la función de pérdida mínima es como en la regresión de cresta (penalización de norma L2) y el lazo (penalización de norma L1). Por el contrario, el enfoque menos seguro se puede utilizar para adaptarse a modelos que no son lineales. Por lo tanto, aunque los términos “mínimos cuadrados” y “modelo lineal” están estrechamente relacionados, no son sinónimos.