روش حداقل مربعات معمولی

ریاضی دان معروف آلمانی در قرن هجدهم مطرح کرده است. زیربنای فکری روش حداقل مربعات معمولی این است که ضرایب مدل مقادیری اختیار کنند که مدل رگرسیون نمونه بیشترین نزدیکی را به مشاهدات $Y_1, ..., Y_T \,$ داشته باشد. به عبارت دیگر کمترین انحراف را از مشاهدات فوق نشان دهد.

اگر مدل رگرسیون خطی $(*) \,$ را با خط $(**) \,$ تخمین بزنیم، این خط باید کمترین فاصله را با مشاهدات ما داشته باشد. معیار روش حداقل مربعات معمولی این است که ضرایب را باید چنان تخمین زد که مجموع مربعات پسماندها یعنی $\sum_{t=1}^T e_t^2 \,$ به حداقل برسد.[۲]

روش OLS برای برآورد ضرایب نیاز به هیچ شرطی روی جمله اخلال ندارد اما برای آنکه ضرایب برآورد شده نااریب (بدون تورش) باشند و استنتاج آماری (مثلا تستهای معناداری) روی آنها امکان پذیر باشد، برقرار بودن فروض کلاسیک الزامی است.[۶]

روش حداقل مربعات معمولی

منبع: ویکی پدیا

مطالب مشابه :

رگرسیون و مدل سازی به روش حداقل مربعات جزئی (Partial Least Square)

آموزش اقتصاد سنجی

روش حداقل مربعات معمولی OLS

روش حداقل مربعات معمولی

رگرسیون و مدل سازی به روش حداقل مربعات جزئی (Partial Least Square)

اجرای روش تعیین حداقل مربعات به صورت بازگشتی (RLS)

روش های برآورد پارامترهای رگرسیون