Jos pienimmän neliösumman menetelmällä

pienimmän neliösumman menetelmä (LSM) avulla voidaan arvioida eri arvon mittaustulokset sisältävän sarjan satunnaisia virheitä.

MNCs Ominaisuus

Perusajatuksena tässä menetelmässä on, että tarkkuus kriteerit ongelman ratkaisemiseksi pidetään virheiden neliöiden summa, joilla pyritään minimoimaan. Kun käytetään tätä menetelmää voidaan käyttää numeerisia ja analyyttinen lähestymistapa.

Erityisesti, kun numeerinen täytäntöönpanoa pienimmän neliösumman menetelmällä tarkoitetaan suorittamiseksi mahdollisimman suuri määrä mittauksia tuntematon satunnaismuuttujan. Lisäksi enemmän laskelmia, sitä parempi ratkaisu. Tällä laitteella lasketaan (raakadata) saadaan toinen joukko väitetään ratkaisuja, joista niin paras valittu. Jos liuos joukko parameterized, niin pienimmän neliösumman menetelmällä pelkistetään löytää optimaalinen parametriarvot.

Kuten analyyttisen täytäntöön MNCs on syötöt (mittaukset) ja odotettu joukko ratkaisuja määritetään tietty toiminnallinen suhde (toiminnallinen), joka voidaan esittää kaavalla saatu hypoteesi, joka vaatii kuittauksen. Tässä tapauksessa pienimmän neliösumman menetelmällä vähennetään minimin löytämiseksi on tämä funktionaalinen on joukko neliöitä raakadatan virheitä.

Huomaa, että virheitä ei itse, nimittäin virhe neliöt. Miksi? Se, että se on usein mittaaminen poikkeama tarkka arvo voi olla sekä positiivisia että negatiivisia. Kun määritetään keskimääräinen mittausvirhe yksinkertainen summattu voi johtaa väärän johtopäätös laadun arviointiin, koska tuhoon positiivisia ja negatiivisia arvoja useista pienempi teho näytteen mittaukset. Ja näin ollen arvion tarkkuus.

Jotta näin ei tapahtunut, ja poikkeamien neliöiden summan. Vieläkin yhdenmukaistamiseksi ulottuvuus mitattu arvo ja lopullinen arviointi neliöiden summa virheiden uutettiin neliöjuuren.

Jotkin monikansalliset yritykset sovellukset

MNCs käytetään laajasti eri aloilla. Esimerkiksi, todennäköisyys ja matemaattista tilastoja määrittämisessä käytetty menetelmä tällaisten ominaisuuksien satunnaismuuttujien, kuten keskihajonta, joka määrittää leveyden arvojen satunnaismuuttujan.

On matemaattinen analyysi ja eri fysiikan, käytetään näyttämään tai vahvistaa tämän hypoteesin laite, OLS käytetään erityisesti arvioida likimääräinen esitysmuoto toimintoja määritellään numeerisen sarjan, yksinkertaisempi toimintoja myöntää analyyttinen muutos.

Toinen tämän tekniikan soveltaminen - erottaminen halutun signaalin kohinaa sen päälle suodatuksessa ongelmia.

Toinen alue soveltamisen OLS - Econometrics. Täällä, tämä menetelmä on niin laajalti käytetty, että joitakin erityisiä muutoksia määritettiin häntä.

Useimmat ekonometrisia ongelmia, tavalla tai toisella, pelkistetään ratkaista lineaarisen ekonometrisiin kuvaavat yhtälöt käyttäytymistä tietyissä järjestelmissä - rakenteellisia malleja. Tärkein osa kunkin tällaisen kuvion - aikasarja edustaa tietty joukko ominaisuuksia, joiden arvot riippuvat sekä aikaa ja useita muita tekijöitä. Tässä tapauksessa, voi olla vastaavuus sisäisen (endogeenisen) ja ulkoisten ominaisuuksien mallin (eksogeenisen) ominaisuudet. Tämä vastaavuus on yleensä ilmaistu muodossa Lineaaristen yhtälöiden taloudellinen.

Tyypillistä tällaisten järjestelmien olemassaolon välisiä suhteita yksittäisten muuttujien, jotka toisaalta, se vaikeuttaa muiden - ohitus. Mikä on syy epävarmuutta valita ratkaisut tällaisten järjestelmien. Ylimääräinen tekijä, joka vaikeuttaa tällaisten ongelmien ratkaisemiseen, on riippuvuus mallin parametrien ajoittain.

Päätarkoituksena ekonometrisiin ongelmia - tunnistaminen malleja, jotka on määritelmä rakenteellisten suhteiden mallissa valitun sekä arvio useita parametreja.

Elpyminen riippuvuudet aikasarja, mallin osien voidaan suorittaa, erityisesti, joko suoraan kautta MNC ja joitakin muutoksia sen, samoin kuin muita menetelmiä. Erityiset muutokset Välimeren kolmansien maiden ongelmien ratkaisuksi on kehitetty erityisesti päätöslauselman mahdollisiin ongelmiin aikana numeerinen ratkaisu järjestelmien yhtälöitä.

Erityisesti, yksi näistä ongelmista, jotka liittyvät läsnä alkuperäisen rajoituksia parametrit, jotka on arvioitava. Esimerkiksi yksityinen yritys tulot voidaan käyttää kulutukseen tai sen kehityksestä. Näin ollen osien summa näiden kahden kustannukset tietenkin yhtä suuri kuin 1. yhtälöryhmä Econometric nämä osat voidaan sisällyttää toisistaan riippumatta. Näin ollen, on mahdollista arvioida erilaista jätettä kautta OLS, lukuun ottamatta alussa rajoitteet, ja sitten tuloksen korjaamiseksi. Näin ratkaisuja sanottua epäsuoraa menetelmää Lehmannin.

Epäsuora Least Squares (ILS) käytetään määrittämään tarkasti rakennemalli. KMNK algoritmi liittyy seuraavat vaiheet:

1) muutos rakenteellisen mallin enemmän yksinkertainen, pelkistetty muoto ottamalla käyttöön ylimääräinen toiminto;

2) Arviointi tavanomaisella OLS vähentää kertoimien kullekin yhtälön yksinkertaistettua mallia;

3) saatu kertoimien yksinkertainen muoto malli muunnetaan parametrit alkuperäisen rakennemalli.

On syytä huomata, että sverhidentifitsiruemyh järjestelmien KMNK ei käytetä, kuten tässä tapauksessa, ei voi olla tehtävä yksiselitteinen arvioita parametrien rakennemalli. Tällaisia malleja voidaan käyttää toista muunnosta MNC - kaksivaiheinen pienimmän neliösumman menetelmällä (KDOM).

KDOM algoritmi on seuraavanlainen:

1), joka perustuu yksinkertaistettu malli laskea sverhidentifitsiruemogo yhtälön arvot sisäisten muuttujien, jotka sisältyvät oikealla puolella yhtälön;

2) korvata muuttujanarvot sijasta todellisten relevanttien muuttujien alkuperäisessä mallissa ja taas soveltaa OLS.

Yksityiskohtainen kuvaus epäsuoran ja kaksivaiheista pienimmän neliösumman menetelmällä on esitetty useita kirjoja ekonometrisiin. Erikoisuus Näiden menetelmien, sekä OLS, niiden monipuolisuus mahdollistaa niiden arvioida kertoimien tahansa rakennemallin millä tahansa alalla.