Eroja OLS n ja MLE n välillä

OLS vs MLE

Yritämme usein kadota, kun aiheena on tilastot. Joillekin tilastojen käsittely on kuin kauhistuttava kokemus. Vihaamme numeroita, viivoja ja kuvaajia. Siitä huolimatta meidän on kohdattava tämä suuri este koulunkäynnin lopettamiseksi. Jos ei, tulevaisuutesi on pimeä. Ei toivoa eikä valoa. Tilastojen välittämiseksi kohtaamme usein OLS ja MLE. ”OLS” tarkoittaa ”tavallisia pienimpiä neliöitä” ja “MLE” tarkoittaa ”suurimman todennäköisyyden estimointia”. Yleensä nämä kaksi tilastollista termiä liittyvät toisiinsa. Otetaan oppia eroista tavallisimpien pienimmän neliösumman ja suurimman todennäköisyyden arvioiden välillä.

Tavallisia pienimpiä neliöitä, tai OLS, voidaan kutsua myös lineaarisiksi vähimmäisruuduiksi. Tämä on menetelmä epäselvien parametrien määrittämiseksi likimääräisesti lineaarisessa regressiomallissa. Tilastointikirjojen ja muiden online-lähteiden mukaan tavallisimmat pienimmät neliöt saadaan minimoimalla tietoaineistossa havaittujen vastausten ja lineaarisen lähestymisen avulla ennustettujen vastausten välisten pystysuorien neliöiden kokonaismäärä. Yksinkertaisen kaavan avulla voit ilmaista tuloksena olevan arvioijan, erityisesti yhden regressorin, joka sijaitsee lineaarisen regressiomallin oikealla puolella..

Esimerkiksi, sinulla on yhtälöjoukko, joka koostuu useista yhtälöistä, joilla ei ole parametreja. Voit käyttää tavallista pienimmän neliösumman menetelmää, koska tämä on tavanomaisin tapa löytää likimääräinen ratkaisu liian määriteltyihin järjestelmiin. Toisin sanoen, se on kokonaisratkaisusi, jolla minimoidaan yhtälössä olevien virheiden neliöiden summa. Tietojen asentaminen voi olla sopivin sovelluksesi. Verkkolähteet ovat todenneet, että tiedot, jotka sopivat parhaiten tavallisiin pienimpiin neliöihin, minimoivat neliöiden jäännösten summan. ”Jäännös” on ”havaitun arvon ja mallin tarjoaman sopivan arvon välinen ero”.

Suurimman todennäköisyyden estimointi (MLE) on menetelmä, jota käytetään arvioimaan tilastollisen mallin parametrejä ja sovittamaan tilastollinen malli tietoihin. Jos haluat löytää jokaisen koripalloilijan korkeusmittauksen tietyssä paikassa, voit käyttää enimmäis todennäköisyyden estimointia. Tavallisesti sinulla on ongelmia, kuten kustannus- ja aikarajoitukset. Jos sinulla ei olisi varaa mitata kaikkia koripalloilijoiden korkeuksia, suurin todennäköisyysarvio olisi erittäin kätevä. Suurimman todennäköisyyden estimoinnin avulla voit arvioida kohteen korkeuden keskiarvon ja variaation. MLE asettaisi parametrien keskiarvon ja varianssin määritettäessä tietyn parametriarvon annetussa mallissa.

Yhteenvetona voidaan todeta, että suurin todennäköisyysestimaatti kattaa joukon parametreja, joita voidaan käyttää ennustamaan normaalijakaumassa tarvittavaa tietoa. Annettu, kiinteä datajoukko ja sen todennäköisyysmalli tuottavat todennäköisesti ennustetun datan. MLE antaisi meille yhtenäisen lähestymistavan arvioinnissa. Mutta joissain tapauksissa emme voi käyttää suurimman todennäköisyyden arviointia havaittujen virheiden takia tai ongelmaa ei oikeastaan ​​edes ole todellisuudessa.

Lisätietoja OLS: stä ja MLE: stä saat viittaamalla tilastollisiin kirjoihin lisää esimerkkejä. Online-tietosanakirja -verkkosivustot ovat myös hyviä lisätietolähteitä.

Yhteenveto:

1. ”OLS” tarkoittaa ”tavallisia pienimpiä neliöitä” ja “MLE” tarkoittaa ”suurimman todennäköisyyden estimointia”.

2. Tavallisia pienimpiä neliöitä, tai OLS, voidaan kutsua myös lineaarisiksi vähimmäisruuduiksi. Tämä on menetelmä epäselvien parametrien määrittämiseksi likimääräisesti lineaarisessa regressiomallissa.

3. Suurimman todennäköisyyden estimointi (MLE) on menetelmä, jota käytetään arvioimaan tilastollisen mallin parametrit ja sovittamaan tilastollinen malli tietoihin.