Atšķirības starp OLS un MLE

OLS vs MLE

Mēs bieži cenšamies pazust, kad tēma ir par statistiku. Dažiem nodarbošanās ar statistiku ir kā drausmīga pieredze. Mēs ienīstam skaitļus, līnijas un grafikus. Neskatoties uz to, mums ir jāsaskaras ar šo lielo šķērsli, lai pabeigtu skolu. Ja nē, jūsu nākotne būtu tumša. Nav cerību un nav gaismas. Lai varētu pārsūtīt statistiku, mēs bieži sastopamies ar OLS un MLE. “OLS” apzīmē “parasto mazāko kvadrātu”, savukārt “MLE” nozīmē “maksimālās iespējamības novērtējumu”. Parasti šie divi statistikas termini ir saistīti viens ar otru. Uzzināsim par atšķirībām starp parastajiem mazākajiem kvadrātiem un maksimālās varbūtības aprēķiniem.

Parastos mazākos kvadrātus jeb OLS var saukt arī par mazākajiem kvadrātiem. Šī ir metode nezināmu parametru noteikšanai, kas atrodas lineārajā regresijas modelī. Saskaņā ar statistikas grāmatām un citiem tiešsaistes avotiem parasto mazāko kvadrātu iegūst, minimizējot kopējo kvadrātu vertikālo attālumu starp novērotajām atbildēm datu kopā un atbildēm, kas paredzētas ar lineāro tuvinājumu. Izmantojot vienkāršu formulu, jūs varat izteikt iegūto novērtētāju, it īpaši atsevišķo regresoru, kas atrodas lineārās regresijas modeļa labajā pusē.

Piemēram, jums ir vienādojumu komplekts, kas sastāv no vairākiem vienādojumiem, kuriem nav zināmi parametri. Jūs varat izmantot parasto mazāko kvadrātu metodi, jo šī ir visstandarta pieeja, lai atrastu aptuvenu risinājumu jūsu pārāk noteiktajām sistēmām. Citiem vārdiem sakot, tas ir jūsu kopējais risinājums, lai samazinātu kļūdu vienādojumu kvadrātu summu. Datu pielāgošana var būt jūsu vispiemērotākais lietojums. Tiešsaistes avoti ir paziņojuši, ka dati, kas vislabāk atbilst parastajiem vismazākajiem kvadrātiem, samazina atlikumu kvadrātu summu. “Atlikušais” ir “starpība starp novēroto vērtību un modeļa nodrošināto vērtību”.

Maksimālās varbūtības novērtējums jeb MLE ir metode, ko izmanto statistiskā modeļa parametru novērtēšanai un statistiskā modeļa pielāgošanai datiem. Ja vēlaties atrast katra basketbolista augstuma mērījumu noteiktā vietā, varat izmantot maksimālās iespējamības novērtējumu. Parasti jums rastos tādas problēmas kā izmaksu un laika ierobežojumi. Ja jūs nevarētu atļauties izmērīt visu basketbolistu augstumu, maksimālais iespējamības novērtējums būtu ļoti ērts. Izmantojot maksimālās iespējamības novērtējumu, jūs varat novērtēt savu subjektu augstuma vidējo lielumu un dispersiju. MLE vidējo vērtību un dispersiju iestatītu kā parametrus, nosakot konkrētā parametra vērtības noteiktā modelī.

Apkopojot, maksimālās iespējamības novērtējums aptver parametru kopu, ko var izmantot, lai prognozētu datus, kas nepieciešami normālā sadalījumā. Dots, fiksēts datu kopums un tā varbūtības modelis, visticamāk, ražos prognozētos datus. MLE dotu mums vienotu pieeju, kad runa ir par aprēķinu. Bet dažos gadījumos atzīto kļūdu dēļ mēs nevaram izmantot maksimālo iespējamības novērtējumu, vai arī problēma faktiski pat nepastāv realitātē.

Lai iegūtu papildinformāciju par OLS un MLE, vairāk piemēru var atrast statistikas grāmatās. Tiešsaistes enciklopēdijas vietnes ir arī labi papildinformācijas avoti.

Kopsavilkums:

1. “OLS” apzīmē “parasto mazāko kvadrātu”, savukārt “MLE” nozīmē “maksimālās iespējamības novērtējumu”.

2. Parastos mazākos kvadrātus jeb OLS var saukt arī par mazākajiem kvadrātiem. Šī ir metode nezināmu parametru noteikšanai, kas atrodas lineārajā regresijas modelī.

3. Maksimālās varbūtības novērtējums jeb MLE ir metode, ko izmanto statistiskā modeļa parametru novērtēšanai un statistiskā modeļa pielāgošanai datiem.