régression linéaire

L' analyse de régression peut être ajoutée aux méthodes statistiques de l' étude de la relation entre les variables spécifiques (dépendantes et indépendantes). Dans ce cas, les variables indépendantes sont appelées « variables » et dépendants – « criterial ». Lors d'une analyse de régression linéaire dépendant de la représentation variable prend la forme d'une échelle d'intervalle. Il y a une probabilité de la présence de relations non linéaires entre les variables liées à l'échelle d'intervalle, mais ce problème a déjà été résolu par des méthodes de régression non linéaire, ce qui est l'objet de cet article.

La régression linéaire a été utilisé avec succès comme dans les calculs mathématiques et dans les études économiques fondées sur des données statistiques.

Donc considérer cela comme une régression plus. Du point de vue de la méthode mathématique de détermination de la relation linéaire entre certaines variables régression linéaire peut être représenté par la formule: y = a + bx. Pour une explication de cette formule peut être trouvée dans un manuel sur l'économétrie.

Lors de l'expansion du nombre d'observation (jusqu'à nombre n-ième fois) obtenu par une régression linéaire simple, représentée par une formule:

yi = A + bxi + ei,

o'uei – indépendant, identiquement distribués, variables aléatoires.

Dans cet article, je voudrais accorder plus d'attention à ce concept du point de vue de prévoir le prix futur basé sur les données antérieures. Dans ce domaine, nous estimons une régression linéaire utilise activement la méthode des moindres carrés, ce qui aide à construire la ligne droite « la plus appropriée » à travers un certain nombre de valeurs de points de prix. Les données d'entrée utilisées par le point de prix, ce qui signifie haut, bas, fermeture ou l'ouverture, et la moyenne de ces valeurs (par exemple, la somme de la valeur maximale et minimale divisée par deux). En outre, ces données avant la construction d'une ligne appropriée peut être arbitrairement lissées.

Comme mentionné ci-dessus, la régression linéaire est souvent utilisée par les analystes pour déterminer une tendance sur la base des prix et le temps. Dans ce cas, la pente de l'indicateur de régression déterminera l'ampleur des changements de prix par unité de temps. L'une des conditions de la décision correcte à l'aide de cet indicateur est l'utilisation d'un générateur de signal, suivant la tendance de régression d'inclinaison. Si une pente positive (hausse régression linéaire) l'achat est effectué si la valeur d'indicateur est supérieur à zéro. Au cours de la pente négative (régression décroissante) en vente devrait être à des valeurs négatives de l'indicateur (inférieur à zéro).

Tel qu'il est utilisé dans la détermination de la meilleure ligne correspondant à un certain nombre de points de prix, la méthode des moindres carrés implique que l'algorithme suivant:

– est l'expression totale de la différence des carrés des prix et la ligne de régression;

– est le rapport entre cette somme et le nombre de barres dans la gamme de séries de données de régression;

– sur le résultat calculé la racine carrée, qui correspond à l'écart – type.

La régression linéaire simple équation a le modèle:

y (x) = f (x) ^,

où – caractéristiques de production ont présenté la variable dépendante;

x – explicatif ou variable indépendante;

^ Indique l'absence d'une stricte relation fonctionnelle entre les variables x et y. Par conséquent, dans chaque cas particulier, la variable y peut consister en ces termes:

y = yx + ε,

où – les données de résultats réels;

uh – données de résultat théoriques déterminées en résolvant l'équation de régression ;

ε – variable aléatoire caractérisant l'écart entre la valeur réelle et la valeur théorique.