| Эта статья поднимает множество проблем. Пожалуйста помоги Улучши это или обсудите эти вопросы на страница обсуждения. (Узнайте, как и когда удалить эти сообщения-шаблоны) | Эта статья требует внимания специалиста по статистике. Пожалуйста, добавьте причина или разговаривать в этот шаблон, чтобы объяснить проблему со статьей. Статистика WikiProject может помочь нанять эксперта. (Сентябрь 2009 г.) |
(Узнайте, как и когда удалить этот шаблон сообщения) |
В статистика, то объясненная сумма квадратов (ESS), также известный как модельная сумма квадратов или же сумма квадратов из-за регрессии («ССР» - не путать с остаточная сумма квадратов RSS или сумма квадратов ошибок) - величина, используемая для описания того, насколько хороша модель, часто регрессионная модель, представляет моделируемые данные. В частности, объясненная сумма квадратов измеряет, насколько сильно изменяются смоделированные значения, и это сравнивается с общая сумма квадратов (TSS), который измеряет, насколько вариативны наблюдаемые данные, и остаточная сумма квадратов, который измеряет разброс ошибки между наблюдаемыми данными и смоделированными значениями.
Определение
В объясненная сумма квадратов (ESS) представляет собой сумму квадратов отклонений прогнозируемых значений от среднего значения переменной отклика в стандартном регрессионная модель - Например, уя = а + б1Икс1я + б2Икс2я + ... + εя, куда уя это я th наблюдение за переменная ответа, Иксджи это я th наблюдение за j th объясняющая переменная, а и бj находятся коэффициенты, я индексирует наблюдения от 1 до п, и εя это я th ценность срок ошибки. В целом, чем больше ESS, тем лучше работает оценочная модель.
Если
и
являются оценочными коэффициенты, тогда

это я th прогнозируемое значение переменной ответа. ESS тогда:

- куда
значение, оцененное линией регрессии.[1]
В некоторых случаях (см. Ниже): общая сумма квадратов (TSS) =объясненная сумма квадратов (ESS)+ остаточная сумма квадратов (RSS).
Разбиение в простой линейной регрессии
Следующее равенство, гласящее, что общая сумма квадратов (TSS) равна остаточной сумме квадратов (= SSE: сумма квадратов ошибок предсказания) плюс объясненная сумма квадратов (SSR: сумма квадратов из-за регрессии или объясненных сумма квадратов), как правило, верно в простой линейной регрессии:

Простой вывод

Возведите обе стороны в квадрат и просуммируйте все я:

Вот как последний член выше равен нулю из простая линейная регрессия[2]



Так,


Следовательно,
![{ displaystyle { begin {align} & sum _ {i = 1} ^ {n} 2 ({ hat {y}} _ {i} - { bar {y}}) (y_ {i} - { hat {y}} _ {i}) = 2 { hat {b}} sum _ {i = 1} ^ {n} (x_ {i} - { bar {x}}) (y_ { i} - { hat {y}} _ {i}) [4pt] = {} & 2 { hat {b}} sum _ {i = 1} ^ {n} (x_ {i} - { bar {x}}) ((y_ {i} - { bar {y}}) - { hat {b}} (x_ {i} - { bar {x}})) [4pt] = {} & 2 { hat {b}} left ( sum _ {i = 1} ^ {n} (x_ {i} - { bar {x}}) (y_ {i} - { bar { y}}) - sum _ {i = 1} ^ {n} (x_ {i} - { bar {x}}) ^ {2} { frac { sum _ {j = 1} ^ {n } (x_ {j} - { bar {x}}) (y_ {j} - { bar {y}})} { sum _ {j = 1} ^ {n} (x_ {j} - { bar {x}}) ^ {2}}} right) [4pt] = {} & 2 { hat {b}} (0) = 0 end {align}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/0df16697d14368c46e7270b6e4e5ee0d1b819d29)
Разбиение в общей обычной модели наименьших квадратов
Общая регрессионная модель с п наблюдения и k объяснители, первый из которых представляет собой постоянный единичный вектор с коэффициентом пересечения регрессии,

куда у является п × 1 вектор наблюдений зависимых переменных, каждый столбец п × k матрица Икс вектор наблюдений на одном из k толкователи,
это k × 1 вектор истинных коэффициентов, и е является п × 1 вектор истинных основных ошибок. В обыкновенный метод наименьших квадратов оценщик для
является

Остаточный вектор
является
, поэтому остаточная сумма квадратов
после упрощения

Обозначим как
постоянный вектор, все элементы которого являются выборочным средним
значений зависимой переменной в векторе у. Тогда общая сумма квадратов равна

Объясненная сумма квадратов, определяемая как сумма квадратов отклонений прогнозируемых значений от наблюдаемого среднего значения у, является

С помощью
в этом и упрощая, чтобы получить
, дает результат TSS = ESS + RSS если и только если
. Левая часть этого
умножить на сумму элементов у, а правая сторона
умножить на сумму элементов
, поэтому условие состоит в том, чтобы сумма элементов у равна сумме элементов
, или, что то же самое, сумма ошибок предсказания (остатков)
равно нулю. В этом можно убедиться, обратив внимание на хорошо известное свойство OLS: k × 1 вектор
: поскольку первый столбец Икс вектор единиц, первый элемент этого вектора
представляет собой сумму остатков и равна нулю. Это доказывает выполнение условия результата TSS = ESS + RSS.
В терминах линейной алгебры мы имеем
,
,
Доказательство можно упростить, отметив, что
. Доказательство таково:

Таким образом,

что снова дает результат TSS = ESS + RSS, поскольку
.
Смотрите также
Примечания
Рекомендации
- С. Е. Максвелл и Х. Д. Делани (1990), «Планирование экспериментов и анализ данных: перспектива сравнения моделей». Уодсворт. С. 289–290.
- Г. А. Милликен и Д. Э. Джонсон (1984), "Анализ неаккуратных данных", Vol. Я: Спланированные эксперименты. Ван Ностранд Рейнхольд. С. 146–151.
- Табачник Б. Г. и Фиделл Л. С. (2007), "Экспериментальный дизайн с использованием дисперсионного анализа". Даксбери. п. 220.
- Табачник Б.Г. и Фиделл Л.С. (2007), "Использование многомерной статистики", 5-е изд. Pearson Education. С. 217–218.