Wat is lineaire regressie MT4-indicator?

Lineaire regressie was het eerste type regressie dat nauwkeurig werd bestudeerd en uitgebreid in praktische toepassingen werd gebruikt. Dit komt omdat modellen die lineair afhankelijk zijn van hun onbekende parameters gemakkelijker passen dan modellen die niet-lineair gerelateerd zijn aan hun parameters en vanwege de statistische eigenschappen van de resulterende schattingen zijn gemakkelijker te bepalen.

In de statistiek is lineaire regressie een lineaire benadering voor het modelleren van de relatie tussen een zeer afhankelijke variabele y en een of meer verklarende variabelen (of onafhankelijke variabelen) genaamd X. De oorzaak van een verklarende variabele i wordt eenvoudige lineaire regressie genoemd. Voor meer dan één verklarende variabele wordt het proces meervoudige lineaire regressie genoemd. (Deze term onderscheidt zich van multivariate lineaire regressie, waarbij meerdere samenhangende, afhankelijke variabelen worden voorspeld, in plaats van een enkele variabele.)

Bij lineaire regressie worden de relaties gemodelleerd met behulp van lineaire voorspellende functies waarvan de onbekende modelparameters worden geschat op basis van de gegevens. Dergelijke modellen worden lineaire modellen genoemd. Meestal wordt aangenomen dat het conditionele gemiddelde van y, gegeven de waarde van X, een affiene functie van X is; minder vaak wordt de gemiddelde of een andere betekenis van de voorwaardelijke verdeling van y gegeven X uitgedrukt als een lineaire functie van X. Zoals alle vormen van regressieanalyse, lineaire regressie richt zich op de voorwaardelijke kansverdeling van y gegeven X, in plaats van op de gezamenlijke waarschijnlijkheidsverdeling van y en X, wat het domein is van multivariate analyses.

Lineaire regressie heeft veel praktische toepassingen. De meeste toepassingen vallen in een van de volgende twee brede categorieën:

Als het doel voorspellen, voorspellen of foutieve reductie is, kan lineaire regressie worden gebruikt om een ​​voorspellend model aan te passen aan een waargenomen gegevensset van y- en X-waarden. Als na het ontwikkelen van een dergelijk model een extra waarde van X wordt gegeven zonder de bijbehorende waarde van u, kan het gepaste model worden gebruikt om een ​​voorspelling te doen van de waarde van u.

Gegeven een variabele y en een aantal variabelen X1, ..., Xp die mogelijk verband houden met y, kan lineaire regressieanalyse worden toegepast om de sterkte van de relatie tussen n y en de Xj, om te beoordelen welke Xj mogelijk geen relatie heeft met y helemaal niet, en om te identificeren welke subsets van de Xj overtollige informatie over y bevatten.

Lineaire regressiemodellen worden vaak aangepast met behulp van de kleinste kwadratenbenadering, maar ze kunnen ook op andere manieren worden aangepast, bijvoorbeeld door het minimaliseren van het ‘gebrek aan fit’ in een andere norm (zoals bij de minste absolute afwijkingen). ion), of door het minimaliseren van een bestraft De versie van de minste functies verliest de functie zoals bij nokregressie (L2-norm penalt) en lasso (L1-norm penaltу). Omgekeerd kan de minste benadering worden gebruikt om modellen te passen die niet lineaire modellen zijn. Hoewel de termen “kleinste kwadraten” en “lineair model” dus nauw met elkaar verbonden zijn, zijn ze niet hetzelfde.