Apa itu Indikator Regresi Linier MT4?

Regresi linier adalah jenis analisis regresi pertama yang dipelajari dengan cermat, dan digunakan secara luas dalam aplikasi praktis. Hal ini karena model yang bergantung secara linier pada parameter yang tidak diketahui lebih mudah disesuaikan dibandingkan model yang tidak linier terkait dengan parameternya dan karena sifat statistik dari estimasi yang dihasilkan lebih mudah untuk ditentukan.

Dalam statistika, regresi linier adalah suatu pendekatan linier untuk memodelkan hubungan antara suatu variabel terikat skala y dan satu atau lebih variabel penjelas (atau variabel bebas) yang dilambangkan X. Kasus salah satu variabel penjelas disebut regresi linier sederhana. Untuk lebih dari satu variabel penjelas, proses ini disebut regresi linier berganda. (Istilah ini berbeda dari regresi linier multivariat, di mana variabel dependen multikorelasi diprediksi, bukan variabel skala tunggal.)

Dalam regresi linier, hubungan dimodelkan menggunakan fungsi prediksi linier yang parameter modelnya tidak diketahui diperkirakan dari data. Model seperti ini disebut model linier. Umumnya, mean kondisional dari y mengingat nilai X diasumsikan sebagai fungsi affine dari X; lebih jarang, median atau beberapa nilai lain dari distribusi kondisional dari y yang diberikan X dinyatakan sebagai fungsi linier dari X. Seperti semua bentuk analisis regresi, regresi linier berfokus pada distribusi probabilitas bersyarat dari y yang diberikan X, daripada pada distribusi probabilitas gabungan y dan X, yang merupakan domain analisis multivariat.

Regresi linier memiliki banyak kegunaan praktis. Sebagian besar aplikasi termasuk dalam salah satu dari dua kategori besar berikut:

Jika tujuannya adalah prediksi, atau prediksi, atau pengurangan kesalahan, regresi linier dapat digunakan untuk menyesuaikan model prediksi dengan kumpulan data yang diamati dari nilai y dan X. Setelah mengembangkan model seperti itu, jika nilai tambahan X kemudian diberikan tanpa nilai y yang menyertainya, model yang dipasang dapat digunakan untuk membuat prediksi nilai y.

Mengingat variabel y dan sejumlah variabel X1, …, Xp yang mungkin terkait dengan y, analisis regresi linier dapat diterapkan untuk mengukur kekuatan hubungan antara y dan Xj, untuk menilai Xj mana yang mungkin tidak ada hubungannya dengan y sama sekali, dan untuk mengidentifikasi himpunan bagian mana dari Xj yang berisi informasi berlebihan tentang y.

Model regresi linier sering kali dipasang menggunakan pendekatan kuadrat terkecil, namun model tersebut juga dapat dipasang dengan cara lain, seperti dengan meminimalkan “kekurangan kesesuaian” pada beberapa norma lainnya (seperti pada regresi deviasi absolut terkecil). ), atau dengan meminimalkan hukuman versi fungsi yang paling sedikit hilang seperti pada regresi ridge (L2-nоrm реnаltу) dan laso (L1-nоrm реnаltу). Sebaliknya, pendekatan yang paling sedikit dapat digunakan untuk menyesuaikan model yang bukan model linier. Jadi, meskipun istilah “kuadrat terkecil” dan “model linier” saling terkait erat, keduanya tidaklah sinonim.