Vähimruutude geomeetria uurija
Sobita reaalseid andmeid sirge või kõveraga ning uuri jääke, mida vähimruutude meetod püüab minimeerida.
Jääkdispersiooni minimeerimine 🖖
Vähimruutude regressioon projitseerib andmepunktid madalama dimensiooniga lineaarsele alamruumile. Minimeerides ruutu tõstetud ortogonaalseid kaugusi, määrame optimaalse sobitusjoone, surudes alla stohhastilise müra.
Miks me vahed ruutu tõstame 🖖
Tööriist liidab kokku iga punkti ja sirge vahelise püstise vahe ruudud ning otsib seejärel sirge, mis teeb selle summa võimalikult väikeseks. Ruutu tõstmine tähendab, et kaks korda suurem vahe loeb neli korda rohkem, seega väldib sobitus visalt iga üksikut suurt möödalaskmist. Lohista üks punkt kaugele ja vaata, kuidas kogu sirge selle poole paiskub — see tõmme on ruutu tõstmise otsene hind.
Regressioon ei ole sümmeetriline 🖖
Kuna vähimruutude meetod kahandab ainult püstiseid vahesid, eeldab see vaikimisi, et y on sihtsuurus ja x on täpne. Vaheta teljed ja sobita uuesti — saad teistsuguse sirge, mitte oodatud peegelpildi. Mõlemad sirged läbivad andmete keskpunkti (x̄, ȳ), kuid langevad kokku vaid siis, kui punktid asuvad täpselt ühel sirgel. Kaks tõusu annavad korrutamisel isegi r², korrelatsiooni ruudu.
Näiteülesanded
- kursuse püsimäär - Puhtad lineaarsed punktid väikeste jääkidega ja madala SSE-ga.
- kampaania erind - Üksik hälbiv punkt domineerib SSE-s ja kallutab parimat sirget.
- pidurdamine sirgega - Ruutkujuline andmestik lineaarse mudeli all näitab süstemaatilist jääkide mustrit.
- pidurdamine kõveraga - Ruutmudel tabab kõverust ja vähendab SSE-d.
- kinnisvarahinnad - Tegelik lineaarne seos kinnisvara hinna ja suuruse vahel.