O que é o indicador MT4 de regressão linear?

A regressão linear foi o primeiro tipo de análise de regressão a ser estudada rigorosamente e a ser amplamente utilizada em aplicações práticas. Isso ocorre porque modelos que dependem linearmente de seus parâmetros desconhecidos são mais fáceis de ajustar do que modelos que não são linearmente relacionados a seus parâmetros e porque as propriedades estatísticas dos estimadores resultantes são é mais fácil de determinar.

Em estatísticas, a regressão linear é uma abordagem linear para modelar o relacionamento entre uma variável dependente do escalar e uma ou mais variáveis ​​explicativas (ou variáveis ​​independentes) identificadas como X. A causa de uma variável explicativa é chamado ѕimplе linear rеgrеѕѕiоn. Para mais de uma variável explicativa, o processo é chamado de regressão linear múltipla. (Este termo é diferente da regressão linear multivariável, onde múltiplas variáveis ​​dependentes são preditas, em vez de uma única variável escalar.)

Na regressão linear, as relações são modeladas usando funções de previsão linear cujos parâmetros de modelo desconhecidos são estimados a partir dos dados. Esses modelos são chamados de modelos lineares. Mais comumente, o significado condicional de y, dado o valor de X, é considerado uma função afim de X; menos comumente, a mediana ou algum outro ԛuаntilе da distribuição condicional de você dado X é expresso como uma função linear de X. Como todas as formas de análise de regressão, regressão linear íon se concentra na distribuição de probabilidade condicional de y dado X, em vez de no distribuição de probabilidade conjunta de y e X, que é o domínio da análise multivariada.

A regressão linear tem muitos usos práticos. A maioria das aplicações se enquadra em uma das duas categorias principais a seguir:

Se o objetivo for previsão, ou previsão, ou redução de erro, a regressão linear pode ser usada para ajustar um modelo preditivo a um conjunto de dados observados de valores y e X. Depois de desenvolver tal modelo, se um valor adicional de X for fornecido sem o valor de você que o acompanha, o modelo ajustado pode ser usado para fazer uma previsão do valor de você.

Dada uma variável y e um número de variáveis ​​​​X1,…, Xp que podem estar relacionadas a y, a análise de regressão linear pode ser aplicada para quantificar a força da relação entre y e o Xj, para avaliar qual Xj pode não ter relação com y em tudo, e para identificar quais subconjuntos do Xj contêm informações redundantes sobre y.

Modelos de regressão linear são frequentemente ajustados usando a abordagem de mínimos quadrados, mas também podem ser ajustados de outras maneiras, como minimizando a “falta de ajuste” em alguma outra norma (como com menos desvios absolutos). n), ou minimizando um реnаlizеd A versão das perdas mínimas funciona como na regressão de crista (penalidade de norma L2) e laço (penalidade de norma L1). Por outro lado, a abordagem menos complicada pode ser usada para ajustar modelos que não são modelos lineares. Assim, embora os termos “mínimos quadrados” e “modelo linear” estejam intimamente ligados, eles não são sinônimos.