Erot OLS: n ja MLE: n välillä
OLS vs. MLE
Pyrimme usein kadota, kun aihe on tilastoista. Joillekin tilastotietojen käsittely on kuin pelottava kokemus. Vihaamme numeroita, viivoja ja kaavioita. Meidän on kuitenkin kohdattava tämä suuri este koulutuksen loppuunsaattamiseksi. Jos ei, tulevaisuutesi olisi tumma. Ei toivoa eikä valoa. Jotta voisimme siirtää tilastoja, OLS ja MLE kohtaavat usein. "OLS" tarkoittaa "tavanomaisia pienimpiä neliöitä", kun taas "MLE" tarkoittaa "suurimman todennäköisyyden arviointia". Yleensä nämä kaksi tilastollista termiä liittyvät toisiinsa. Tutkitaan tavallisten pienimmän neliösumman ja suurimman todennäköisyysarvion välisistä eroista.
Tavallisia pienimpiä neliöitä tai OLS: tä voidaan kutsua myös lineaariseksi pienimmiksi neliöiksi. Tämä on menetelmä noin lineaarisen regressiomallin sisältämien tuntemattomien parametrien määrittämiseksi. Tilastojen ja muiden online-lähteiden kirjojen mukaan tavalliset pienimmät neliöt saadaan minimoimalla neliöidyt pystysuorat etäisyydet havaittujen vasteiden välillä tietosarjassa ja lineaarisen approksimaation avulla ennakoidut vasteet. Yksinkertaisen kaavan avulla voit ilmaista tuloksena olevan estimaattorin, erityisesti yhden regressorin, joka sijaitsee lineaarisen regressiomallin oikealla puolella.
Esimerkiksi sinulla on joukko yhtälöitä, jotka koostuvat useista yhtälöistä, joilla on tuntemattomia parametreja. Voit käyttää tavallista pienimmän neliösumman menetelmää, koska se on tavallisin lähestymistapa likimääräisen ratkaisun löytämiseen liian määritetyille järjestelmille. Toisin sanoen, sinun kokonaisratkaisu on minimoida yhtälön virheiden neliöiden summa. Data-sovitus voi olla sopivin sovelluksesi. Online-lähteet ovat todenneet, että tiedot, jotka sopivat parhaiten tavallisiin pieniin neliöihin, minimoivat neliösumman summan. "Jäännös" on "havaitun arvon ja mallin toimittaman arvon välinen ero".
Suurin todennäköisyysarvio eli MLE on menetelmä, jota käytetään tilastollisen mallin parametrien arvioinnissa ja tilastollisen mallin sovittamisessa tietoihin. Jos haluat löytää jokaisen koripallon korkeusmittauksen tietyssä paikassa, voit käyttää suurimman todennäköisyyden arviointia. Yleensä sinulla on ongelmia kuten kustannus- ja aikarajoituksia. Jos sinulla ei ollut varaa mitata kaikkia koripallon pelaajien korkeuksia, suurin mahdollinen arvio olisi erittäin kätevä. Korkeimman todennäköisyysarvion avulla voit arvioida kohteiden korkeuden keskiarvon ja varianssin. MLE asettaa keskiarvon ja varianssin parametreiksi määritettäessä tiettyjä parametrisia arvoja tietyssä mallissa.
Yhteenvetona, suurin todennäköisyysarviointi kattaa joukon parametreja, joita voidaan käyttää normaalin jakelun edellyttämien tietojen ennustamiseen. Tietty kiinteä datasarja ja sen todennäköisyysmalli todennäköisesti tuottavat ennustetut tiedot. MLE antaisi meille yhdennetyn lähestymistavan arvioinnin osalta. Mutta joissakin tapauksissa emme voi käyttää suurimman todennäköisyyden arviointia tunnistettujen virheiden vuoksi, tai ongelma ei todellisuudessa todellisuudessa ole olemassa.
Lisätietoja OLS: stä ja MLE: stä saat tilastollisista kirjoista lisää esimerkkejä. Online-tietosanakirja Verkkosivut ovat myös hyviä lähteitä lisätiedoista.
Yhteenveto:
-
"OLS" tarkoittaa "tavallisia pienimpiä neliöitä", kun taas "MLE" tarkoittaa "suurimman todennäköisyyden arviointia".
-
Tavallisia pienimpiä neliöitä tai OLS: tä voidaan kutsua myös lineaariseksi pienimmiksi neliöiksi. Tämä on menetelmä noin lineaarisen regressiomallin sisältämien tuntemattomien parametrien määrittämiseksi.
-
Suurin todennäköisyysarvio eli MLE on menetelmä, jota käytetään tilastollisen mallin parametrien arvioinnissa ja tilastollisen mallin sovittamisessa tietoihin.
