Likusi kvadratų suma (RSS)
Likutinė kvadratų suma (RSS) yra statistinis metodas, naudojamas norint įvertinti duomenų rinkinio dispersijos dydį, nepaaiškinamą regresijos modeliu. Regresija yra matavimas, padedantis nustatyti ryšio tarp priklausomo kintamojo ir kitų kintančių kintamųjų ar nepriklausomų kintamųjų seriją.
Likusi kvadratų suma išmatuoja klaidos, likusios tarp regresijos funkcijos ir duomenų rinkinio, sumą. Mažesnė likutinė kvadratų suma rodo regresijos funkciją. Liekamoji kvadratų suma, dar vadinama kvadratinių liekanų suma, iš esmės nulemia, kaip regresijos modelis paaiškina ar atvaizduoja modelyje esančius duomenis.
Pagrindiniai išvežamieji daiktai
- Likutinė kvadratų suma (RSS) yra statistinis metodas, naudojamas norint įvertinti duomenų rinkinio dispersijos dydį, nepaaiškinamą regresijos modeliu.
- Likusi kvadratų suma yra viena iš daugelio statistinių savybių, kurioms būdingas atgimimas finansų rinkose.
- Idealiu atveju bet kurio regresijos modelio kvadratinių liekanų suma turėtų būti mažesnė ar mažesnė.
Likusios kvadratų sumos (RSS) supratimas
Finansų rinkos vis labiau remiasi kiekybiškai; todėl, ieškodami pranašumo, daugelis investuotojų naudojasi pažangiais statistikos metodais, kad padėtų priimti sprendimus. Dideli duomenys, kompiuterinis mokymasis ir dirbtinio intelekto taikymas dar reikalauja naudoti statistines savybes, kad galėtų vadovautis šiuolaikinėmis investavimo strategijomis. Likusi kvadratų suma - arba RSS statistika - yra viena iš daugelio renesansinių statistinių savybių.
Investuotojai ir portfelio valdytojai naudoja statistinius modelius, kad galėtų atsekti investicijos kainą, ir naudoja tuos duomenis būsimiems pokyčiams numatyti. Tyrimas, vadinamas regresine analize, gali apimti santykį tarp kainų pokyčių tarp prekės ir bendrovių, užsiimančių šios prekės gamyba, atsargų.
Bet kuris modelis gali skirtis tarp numatytų verčių ir faktinių rezultatų. Nors dispersijas galima paaiškinti regresine analize, likutinė kvadratų suma žymi dispersijas ar klaidas, kurios nėra paaiškintos.
Kadangi galima atlikti pakankamai sudėtingą regresijos funkciją, kad ji tiksliai atitiktų bet kurį duomenų rinkinį, būtina atlikti papildomus tyrimus, siekiant nustatyti, ar regresijos funkcija iš tikrųjų yra naudinga paaiškinant duomenų rinkinio dispersiją. Paprastai bet kuriame modelyje yra ideali mažesnė ar mažesnė likutinė kvadratų suma, nes tai reiškia, kad duomenų rinkinyje yra mažiau variacijų. Kitaip tariant, kuo mažesnė kvadratinių liekanų suma, tuo geriau regresijos modelis paaiškina duomenis.
Palyginkite investicinių sąskaitų teikėjo pavadinimą Aprašymas Skelbėjo informacijos atskleidimas × Šioje lentelėje pateikti pasiūlymai yra iš partnerystės, iš kurios „Investopedia“ gauna kompensaciją.