線形回帰MT4インジケーターとは何ですか?

線形規則は、厳密に研究され、実際の応用で広く使用されるべき最初の種類の規則でした。 これは、未知のパラメータに線形的に依存するモデルの方が、パラメータと非線形に関連し、結果として得られるティミレータの統計的特性を利用できるモデルよりも適合しやすいためです。 ѕ はより明確に決定できます。

統計学において、線形正規表現は、主要な従属変数 y と X で示される XNUMX つ以上の説明変数 (または独立変数) との関係をモデル化するための線形手法です。単純な線形規則と呼ばれます。 複数の説明変数の場合、この計算は多重線形回帰と呼ばれます。 (この用語は、単一の変数ではなく、複数の相関のある従属変数が予測される多変量線形回帰とは異なります。)

線形回帰では、未知のモデルパラメータがデータから推定される線形予測関数を使用して関係がモデル化されます。 このようなモデルは線形モデルと呼ばれます。 最も一般的には、X の値が与えられた場合の標準的な平均は、X のアフィン関数であると想定されます。 あまり一般的ではありませんが、与えられた X の条件付き分布の中央値またはその他の正規分布は、X の線形関数として表現されます。 正規分布分析のすべての形式と同様、線形正規分布もでは、与えられた X の条件付き確率分布に焦点を当てます。 y と X の同時確率分布。これは多変量分布の領域です。

線形回帰には多くの実用的な用途があります。 ほとんどのアプリケーションは、次の XNUMX つの広いカテゴリのいずれかに分類されます。

目標が予測、予測、またはエラーの削減である場合、線形回帰を使用して、y 値と X 値を観測データに適合させることができます。 モデルを開発した後、X の追加値が у の値を伴わずに与えられた場合、近似されたモデルを使用して у の値を予測できます。

変数 y とそれに関連する可能性のある変数 X1、…、Xp の数が与えられると、線形関数を使用して、それらの間の関係の強さを定量化できます。 y と Xj、どの Xj が y と関係がないのかを評価するためそして、Xj のどのサブセットに y に関する冗長な情報が含まれているかを特定します。

線形回帰モデルは、最小二乗法を使用して近似されることがよくありますが、他の基準での「適合不足」を最小限に抑えるなど、他の方法で近似することもできます (絶対偏差回帰の最小二乗法など)。 n)、または、реnаlized を最小限に抑えることによって最小値のバージョンは、リッジ回帰 (L2 ノルム) およびなげなわ (L1 ノルム) で関数を失います。 言い換えれば、線形モデルではないモデルを当てはめるには、最小の誤差を使用できます。 したがって、「最小二乗法」と「線形モデル」という用語は密接に関連していますが、一般的なものではありません。