Что такое индикатор линейной регрессии MT4?
Линейная регрессия была первым типом регрессионного анализа, который необходимо тщательно изучить и широко использовать в практических приложениях. Это связано с тем, что модели, которые линейно зависят от неизвестных параметров, легче адаптировать, чем модели, которые нелинейно связаны с их параметрами, и поскольку статистические свойства результирующих оценщиков легче то есть определить.
В статистике линейная регрессия — это линейный подход к моделированию взаимосвязи между скалярной зависимой переменной y и одной или несколькими объясняющими переменными (или независимыми переменными), обозначаемыми X. Случай одной объясняющей переменной называется простой линией. регрессия уха. Для более чем одной объясняющей переменной процесс называется множественной линейной регрессией. (Этот термин отличается от многомерной линейной регрессии, где прогнозируется несколько коррелирующих зависимых переменных, а не одна скалярная переменная.)
В линейной регрессии отношения моделируются с использованием функций линейного прогнозирования, неизвестные параметры модели которых оцениваются на основе данных. Такие модели называются линейными. Чаще всего условное среднее y с учетом значения X считается аффинной функцией X; реже медиана или какой-либо другой фактор условного распределения y с учетом X выражается как линейная функция X. Как и все формы регрессионного анализа, линейная регрессия фокусируется на условии все вероятностное распределение y при данном X, а не на совместное распределение вероятностей y и X, которое является областью многомерного анализа.
Линейная регрессия имеет множество практических применений. Большинство приложений попадают в одну из следующих двух широких категорий:
Если целью является прогнозирование, прогнозирование или уменьшение ошибок, можно использовать линейную регрессию для подгонки прогностической модели к наблюдаемому набору данных значений y и X. После разработки такой модели, если затем указано дополнительное значение X без сопровождающего его значения у, подобранная модель может быть использована для прогнозирования значения у.
Учитывая переменную y и ряд переменных X1,..., Xp, которые могут быть связаны с y, можно применить анализ линейной регрессии для количественной оценки силы связи между y и Xj, t Оцените, какой Xj может не иметь к вам никакого отношения вообще, и определить, какие подмножества Xj содержат избыточную информацию об y.
Модели линейной регрессии часто подбираются с использованием подхода наименьших квадратов, но они также могут быть подогнаны и другими способами, например, путем минимизации «несоответствия» какой-либо другой норме (как в случае с регрессией наименьших абсолютных отклонений) или с помощью мини-модели. получение вознаграждения Версия наименьшей степени утрачивает функцию, как при гребневой регрессии (штраф L2-нормы) и лассо (штраф L1-нормы). И наоборот, наименьший подход может использоваться для подбора моделей, которые не являются линейными моделями. Таким образом, хотя термины «наименьшие квадраты» и «линейная модель» тесно связаны, они не являются синонимами.