Skirtumai tarp OLS ir MLE

OLS vs MLE

Mes dažnai bandome išnykti, kai tema yra apie statistiką. Kai kuriems darbas su statistika yra tarsi bauginanti patirtis. Mes nekenčiame skaičių, linijų ir grafikų. Nepaisant to, norint baigti mokslą turime susidurti su šia didele kliūtimi. Jei ne, jūsų ateitis būtų tamsi. Jokios vilties ir šviesos. Kad galėtume perduoti statistiką, dažnai susiduriame su OLS ir MLE. „OLS“ reiškia „paprastus mažiausius kvadratus“, o „MLE“ reiškia „maksimalios tikimybės įvertinimą“. Paprastai šie du statistiniai terminai yra susiję vienas su kitu. Sužinokime apie paprastų mažiausių kvadratų ir didžiausios tikimybės įvertinimų skirtumus.

Paprastieji mažiausieji kvadratai, arba OLS, taip pat gali būti vadinami linijiniais mažiausiais kvadratais. Tai yra metodas, skirtas apytiksliai nustatyti nežinomus parametrus, esančius tiesinėje regresijos modelyje. Remiantis statistikos knygomis ir kitais internetiniais šaltiniais, įprasti mažiausi kvadratai gaunami sumažinus bendrą kvadratinių vertikalių atstumų tarp stebimų duomenų rinkinyje ir atsakymų, numatytų tiesiniu aproksimacija, skaičių. Naudodami paprastą formulę, galite išreikšti gautą įvertintuvą, ypač vieną regresorių, esantį dešinėje linijinės regresijos modelio pusėje..

Pvz., Turite lygčių rinkinį, kurį sudaro kelios lygtys, kurių parametrai yra nežinomi. Galite naudoti įprastą mažiausių kvadratų metodą, nes tai yra pats standartinis metodas ieškant apytikslio jūsų pernelyg apibrėžtų sistemų sprendimo. Kitaip tariant, tai yra jūsų bendras sprendimas, leidžiantis sumažinti lygčių paklaidų kvadratų sumą. Duomenų pritaikymas gali būti tinkamiausia jūsų programa. Internetiniai šaltiniai teigė, kad duomenys, kurie geriausiai atitinka įprastus mažiausius kvadratus, sumažina kvadratinių likučių sumą. „Likutis“ yra „skirtumas tarp stebimos vertės ir modelio pateiktos vertės“.

Maksimalios tikimybės įvertinimas (MLE) yra metodas, naudojamas vertinant statistinio modelio parametrus ir pritaikant statistinį modelį duomenims. Jei norite rasti kiekvieno krepšininko aukščio matavimą konkrečioje vietoje, galite naudoti maksimalios tikimybės įvertinimą. Paprastai jums kiltų problemų, tokių kaip išlaidų ir laiko apribojimai. Jei negalėtumėte sau leisti išmatuoti visų krepšininkų ūgio, maksimaliai tikėtina būtų labai tikslinga. Naudodamiesi maksimalios tikimybės įvertinimu, galite įvertinti tiriamųjų ūgio vidurkį ir dispersiją. MLE nustatytų vidurkį ir dispersiją kaip parametrus nustatant konkrečias parametrų reikšmes tam tikrame modelyje.

Apibendrinant galima teigti, kad didžiausias tikimybės įvertinimas apima parametrų rinkinį, kuris gali būti naudojamas numatant normaliam paskirstymui reikalingus duomenis. Pateiktas, fiksuotas duomenų rinkinys ir jo tikimybės modelis greičiausiai duos numatytus duomenis. MLE suteiktų mums vieningą požiūrį, kai reikia įvertinti. Bet kai kuriais atvejais negalime naudoti maksimalaus tikimybės įvertinimo dėl pripažintų klaidų arba problema iš tikrųjų net neegzistuoja realybėje.

Norėdami gauti daugiau informacijos apie OLS ir MLE, daugiau pavyzdžių galite rasti statistikos knygose. Internetinės enciklopedijos svetainės taip pat yra geri papildomos informacijos šaltiniai.

Santrauka:

1. „OLS“ reiškia „paprastus mažiausius kvadratus“, o „MLE“ reiškia „maksimalios tikimybės įvertinimą“.

2. Paprastieji mažiausieji kvadratai, arba OLS, taip pat gali būti vadinami linijiniais mažiausiais kvadratais. Tai yra metodas, skirtas apytiksliai nustatyti nežinomus parametrus, esančius tiesinėje regresijos modelyje.

3. Maksimalios tikimybės įvertinimas (MLE) yra metodas, naudojamas vertinant statistinio modelio parametrus ir pritaikant statistinį modelį duomenims..