Linearne regresije

Regresijska analiza se može dodati na statističke metode proučavanja odnosa između određenih varijabli (zavisne i nezavisne). U ovom slučaju, nezavisne varijable se nazivaju "kovarijate" i zavisne - "criterial". Prilikom sprovođenja linearne regresije zavisna varijabla reprezentacija poprima oblik skale intervala. Postoji vjerojatnost prisustva nelinearnih odnosa između varijabli koje se odnose na skali interval, ali ovaj problem je već riješen metodama nelinearne regresije, što nije tema ovog teksta.

Linearne regresije je prilično uspješno koristi kao u matematičkim proračunima, a na ekonomske studije na osnovu statističkih podataka.

Tako da smatram nazadovanje više. Sa stanovišta matematičke metode određivanja linearnog odnosa između nekih varijabli linearna regresija može biti predstavljena kao formuli: y = a + bx. Za objašnjenje ove formule može se naći u bilo kojem udžbeniku o ekonometrija.

Kada povećanje broja opservacija (do n-ti puta) dobila jednostavnim linearne regresije, predstavljena je formulom:

yi = A + BXI + ei,

gdje ei - nezavisni, identične, slučajne varijable.

U ovom članku želim da više pažnje posvetiti ovaj koncept sa stanovišta predviđanje budućih cijena na osnovu prethodnih podataka. U ovom području, procjenjuju smo linearne regresije aktivno koristi metoda najmanjih kvadrata, koja pomaže da se izgradi "najpogodnije" pravolinijski kroz određeni broj vrijednosti cijene poena. Ulazni podaci koriste cijeni, što znači visoki, niski, zatvaranje ili otvaranje, a prosječna ovih vrijednosti (npr zbir maksimalne i minimalne podijeljena dva). Takođe, ovi podaci pre izgradnje odgovarajući linija može biti proizvoljno poravnati.

Kao što je već spomenuto, linearna regresija se često koristi od strane analitičara da se utvrdi trend na temelju cijene i vremena. U ovom slučaju, nagib indikator regresije će odrediti veličinu promjene cijena po jedinici vremena. Jedan od uslova za ispravnu odluku koristeći ovaj pokazatelj je korištenje generatora signala, prateći trend nagiba regresije. Ako se vrši pozitivan nagib (steady linearne regresije) kupovina ako je vrijednost pokazatelja veća od nule. Tokom negativan nagib (smanjenje regresije) za prodaju bi trebao biti na negativne vrijednosti indikatora (manje od nule).

Kao što se koristi u određivanju najbolja linija odgovara određeni broj cenama, metoda najmanjih kvadrata podrazumijeva da se sljedeći algoritam:

- je ukupni izraz razlike kvadrata cijena i linije regresije;

- je odnos ovog iznosa i broj barova u rasponu od regresije serija podataka;

- na rezultat izračunati kvadratni korijen, što odgovara standardnom devijacijom.

Jednostavna linearna regresija jednačina ima model:

y (x) = f (x) ^,

gdje - produktivne funkcije predstavila je zavisna varijabla;

x - objašnjenja ili nezavisna varijabla;

^ Ukazuje na odsustvo strogu funkcionalnog odnosa između varijabli x i y. Dakle, u svakom konkretnom slučaju, varijabla y može se sastojati od takvih pojmova:

y = yx + ε,

gdje - stvarni rezultat podataka;

uh - teorijski rezultat podataka određuje rješavanjem regresije jednadžbe ;

ε - slučajna varijabla koja karakteriše odstupanje između stvarne vrijednosti i teorijski.