最小二乘法
S x x = ∑ ( x i − x ‾ ) 2 ; S x y = ∑ ( x i − x ‾ ) ( y i − y ‾ ) , x ‾ = ∑ x i / n ; S_{xx}=\sum (x_i-\overline{x})^2;S_{xy}=\sum(x_i-\overline{x})(y_i-\overline{y}),\overline{x}=\sum x_i/n; Sxx=∑(xi−x)2;Sxy=∑(xi−x)(yi−y),x=∑xi/n;
β 1 ^ = S x y S x x , β 0 ^ = y ‾ − β 1 ^ x ‾ ; \hat{\beta_1}=\frac{S_{xy}}{S_{xx}},\hat{\beta_0}=\overline{y}-\hat{\beta_1}\overline{x}; β1^=SxxSxy,β0^=y−β1^x;
S S E = S S T − S S R = S S T − β 1 ^ S x y , S S T = ∑ ( y i − y ‾ ) 2 SSE=SST-SSR=SST-\hat{\beta_1}S_{xy},SST=\sum(y_i-\overline{y})^2 SSE=SST−SSR=SST−β1^S
简单线性规划,最小二乘法,SST=SSR+SSR
最新推荐文章于 2024-01-06 08:00:00 发布
本文深入探讨了最小二乘法的原理,通过公式解析展示了如何计算最佳拟合直线的系数,并且解释了SST(总平方和)、SSR(回归平方和)与SSE(残差平方和)之间的关系,为理解线性回归模型提供了清晰的数学证明。
摘要由CSDN通过智能技术生成