Что такое остаточная сумма квадратов (RSS)?
Остаточная сумма квадратов (RSS) - это статистический метод, используемый для измерения величины дисперсии в наборе данных, который не объясняется регрессионной моделью. Регрессия - это измерение, которое помогает определить силу взаимосвязи между зависимой переменной и рядом других изменяющихся переменных или независимых переменных.
Остаточная сумма квадратов измеряет количество ошибок, оставшихся между функцией регрессии и набором данных. Меньшая остаточная сумма квадратов представляет функцию регрессии. Остаточная сумма квадратов - также известная как сумма квадратов невязок - по существу определяет, насколько хорошо регрессионная модель объясняет или представляет данные в модели.
Ключевые вынос
- Остаточная сумма квадратов (RSS) - это статистический метод, используемый для измерения величины дисперсии в наборе данных, который не объясняется регрессионной моделью. Остаточная сумма квадратов является одним из многих статистических свойств, переживших ренессанс на финансовых рынках. В идеале сумма квадратов остатков должна быть меньше или меньше значения в любой регрессионной модели.
Понимание остаточной суммы квадратов (RSS)
Финансовые рынки становятся все более количественно управляемыми; как таковые, в поисках преимущества многие инвесторы используют передовые статистические методы, чтобы помочь в их решениях. Приложения для больших данных, машинного обучения и искусственного интеллекта также требуют использования статистических свойств для управления современными инвестиционными стратегиями. Остаточная сумма квадратов - или статистика RSS - является одним из многих статистических свойств, переживающих ренессанс.
Статистические модели используются инвесторами и управляющими портфелями для отслеживания цены инвестиций и использования этих данных для прогнозирования будущих изменений. Исследование, называемое регрессионным анализом, может включать анализ взаимосвязи ценовых движений между товарами и акциями компаний, занимающихся производством товаров.
Любая модель может иметь отклонения между прогнозируемыми значениями и фактическими результатами. Хотя отклонения могут быть объяснены регрессионным анализом, остаточная сумма квадратов представляет отклонения или ошибки, которые не объясняются.
Поскольку достаточно сложная регрессионная функция может быть сделана так, чтобы точно соответствовать практически любому набору данных, необходимы дальнейшие исследования, чтобы определить, действительно ли регрессионная функция полезна для объяснения дисперсии набора данных. Как правило, однако, меньшее или меньшее значение для остаточной суммы квадратов является идеальным в любой модели, поскольку это означает, что в наборе данных меньше вариаций. Другими словами, чем меньше сумма квадратов невязок, тем лучше регрессионная модель для объяснения данных.
