Innholdsfortegnelse:
- Definisjon - Hva betyr Ordinary Least Squares Regression (OLSR)?
- Techopedia forklarer Ordinary Least Squares Regression (OLSR)
Definisjon - Hva betyr Ordinary Least Squares Regression (OLSR)?
Vanlig minste kvadraters regresjon (OLSR) er en generalisert lineær modelleringsteknikk. Den brukes til å estimere alle ukjente parametere involvert i en lineær regresjonsmodell, hvis mål er å minimere summen av kvadratene for forskjellen til de observerte variablene og de forklarende variablene.
Vanlig minste kvadraters regresjon er også kjent som vanlige minste kvadrater eller minstekvadriske feilregresjon.
Techopedia forklarer Ordinary Least Squares Regression (OLSR)
Oppfunnet i 1795 av Carl Friedrich Gauss, regnes det som en av de tidligste kjente generelle prediksjonsmetodene. OLSR beskriver forholdet mellom en avhengig variabel (det som er ment å bli forklart eller forutsagt) og dets eller flere uavhengige variabler (forklaringsvariabel). OLSR-applikasjon finner du i utallige felt som psykologi, samfunnsvitenskap, medisin, økonomi og finans.
Det er to sammenhenger som kan oppstå: lineær og krøllete. Et lineært forhold er en rett linje som trekkes gjennom den sentrale tendensen til punktene; mens et krumlinjet forhold er en buet linje. Assosiasjoner mellom nevnte variabler er avbildet ved bruk av en scatterplot. Forholdet kan være positivt eller negativt, og resultatvariasjon avviker også i styrke.
På et grunnleggende nivå, OLSR, kan det lett forstås selv av ikke-matematikere, og løsningene kan lett tolkes. Den ekstra hensynet skyldes sin overkommelighet med nyere datamaskiners innebygde algoritmer fra lineær algebra. Dermed kan det raskt brukes på problemer med hundrevis av uavhengige variabler som effektivt gir resultater til titusenvis av datapunkter.
OLSR brukes ofte i økonometrikk, ettersom den gir den beste lineære objektive estimatoren (BLÅ) gitt Gauss-Markov-forutsetningene. Econometrics er en gren av økonomi der statistiske metoder brukes på økonomiske data. Den tar sikte på å trekke ut enkle forhold ved å dissekere eksisterende enorme datamengder. Denne statistiske algoritmen brukes også i maskinlæring og prediktiv analyse for dynamisk å forutsi utfall basert på dynamisk skiftende variabler.
