Яка залишкова сума квадратів (RSS)?
Залишкова сума квадратів (RSS) - це статистична методика, яка використовується для вимірювання кількості дисперсії в наборі даних, яка не пояснюється регресійною моделлю. Регресія - це вимірювання, яке допомагає визначити міцність зв’язку між залежною змінною та низкою інших змінних змінних або незалежних змінних.
Залишкова сума квадратів вимірює кількість помилок, що залишаються між функцією регресії та набором даних. Менша залишкова сума фігур квадрата являє собою регресійну функцію. Залишкова сума квадратів - також відома як сума квадратичних залишків - по суті визначає, наскільки регресивна модель пояснює або представляє дані в моделі.
Ключові вивезення
- Залишкова сума квадратів (RSS) - це статистична методика, яка використовується для вимірювання кількості дисперсії в наборі даних, що не пояснюється регресійною моделлю. Залишкова сума квадратів є однією з багатьох статистичних властивостей, що користуються ренесансом на фінансових ринках. В ідеалі сума залишків у квадраті повинна бути меншою чи меншою величиною в будь-якій регресійній моделі.
Розуміння залишкової суми квадратів (RSS)
Фінансові ринки все більше стають все більш кількісними; Таким чином, в пошуках переваги багато інвесторів використовують передові статистичні методи для допомоги у прийнятті рішень. Великі дані, машинне навчання та штучний інтелект додатково потребують використання статистичних властивостей для керівництва сучасними інвестиційними стратегіями. Залишкова сума квадратів - або RSS-статистика - одна з багатьох статистичних властивостей, що користуються ренесансом.
Статистичні моделі використовуються інвесторами та менеджерами портфелів для відстеження ціни інвестицій і використовують ці дані для прогнозування майбутніх зрушень. Дослідження, яке називається регресійним аналізом, може включати аналіз взаємозв'язку в цінових рухах між товаром та запасами компаній, що займаються виробництвом товару.
Будь-яка модель може мати розбіжності між прогнозованими значеннями та фактичними результатами. Хоча дисперсії можуть бути пояснені регресійним аналізом, залишкова сума квадратів являє собою дисперсії або помилки, які не пояснюються.
Оскільки достатньо складна функція регресії може бути виконана для тісного пристосування практично до будь-якого набору даних, необхідно додаткове вивчення, щоб визначити, чи дійсно функція регресії корисна для пояснення дисперсії набору даних. Однак, як правило, менша або менша величина для залишкової суми квадратів є ідеальною для будь-якої моделі, оскільки це означає, що в наборі даних менше варіацій. Іншими словами, чим менша сума залишків у квадраті, тим краща модель регресії при поясненні даних.
