Как обозначается ошибка аппроксимации

Средняя ошибка аппроксимации

Фактические
значения результативного признака
отличаются от теоретических, рассчитанных
по уравнению регрессии. Чем меньше эти
отличия, тем ближе теоретические значения
к эмпирическим данным, тем лучше качество
модели. Величина отклонений фактических
и расчетных значений результативного
признака каждому наблюдению представляет
собой ошибку аппроксимации. В отдельных
случаях ошибка аппроксимации может
оказаться равной нулю. Отклонения (y
–

)
несравнимы между собой, исключая
величину, равную нулю. Так, если для
одного наблюдения y
–

= 5, а для другого – 10, то это не означает,
что во втором случае модель дает вдвое
худший результат. Для сравнения
используются величины отклонений,
выраженные в процентах к фактическим
значениям. Например, если для первого
наблюдения y
= 20, а для второго y
= 50, ошибка аппроксимации составит 25 %
для первого наблюдения и 20 % – для
второго.

Поскольку
(y
–

)
может быть величиной как положительной,
так и отрицательной, ошибки аппроксимации
для каждого наблюдения принято определять
в процентах по модулю.

Отклонения
(y
–

)
можно рассматривать как абсолютную
ошибку аппроксимации, а

– как
относительную ошибку аппроксимации.
Для того, чтобы иметь общее суждение о
качестве модели из относительных
отклонений по каждому наблюдению,
находят среднюю ошибку аппроксимации
как среднюю арифметическую простую

. (2.38)

По
нашим данным представим расчет средней
ошибки аппроксимации для уравнения Y
= 6,136 
Х^0,474
в следующей таблице.

Таблица.
Расчет средней ошибки аппроксимации

y	y_x	y –
6	6,135947	-0,135946847	0,022658
9	8,524199	0,475801308	0,052867
10	10,33165	-0,331653106	0,033165
12	11,84201	0,157986835	0,013166
13	13,164	-0,163999272	0,012615
Итого			0,134471

A
= (0,1345 / 5) 
100 = 2,69 %, что говорит о хорошем качестве
уравнения регрессии, ибо ошибка
аппроксимации в пределах 5-7 % свидетельствует
о хорошем подборе модели к исходным
данным.

Возможно
и другое определение средней ошибки
аппроксимации:

(2.39)

Для
нашего примера эта величина составит:

Для
расчета средней ошибки аппроксимации
в стандартных программах чаще используется
формула (2.39).

Аналогично
определяется средняя ошибка аппроксимации
и для уравнения параболы.

№11

Факторы,
включаемые во множественную регрессию,
должны отвечать следующим требованиям:

1)
быть количественно измеримы. Если
необходимо включить в модель качественный
фактор, не имеющий количественного
измерения, то нужно придать ему
количественную определенность (например,
в модели урожайности качество почвы
задается в виде баллов; в модели стоимости
объектов недвижимости учитывается
место нахождения недвижимости: районы
могут быть проранжированы);

2)
не должны быть коррелированны между
собой и тем более находиться в точной
функциональной связи.

Включение
в модель факторов с высокой интеркорреляцией,
когда r_yx₁
< r_x₁_x₂,
для зависимости y
= a
+ b₁

x₁
+ b₂

x₂
+ ,
может привести к нежелательным
последствиям – система нормальных
уравнений может оказаться плохо
обусловленной и повлечь за собой
неустойчивость и ненадежность оценок
коэффициентов регрессии.

Если
между факторами существует высокая
корреляция, то нельзя определить их
изолированное влияние на результативный
показатель, и параметры уравнения
регрессии оказываются неинтерпретируемыми.
Так, в уравнении y
= a
+ b₁

x₁
+ b₂

x₂
+ ,
предполагается, что факторы x₁
и x₂
независимы друг от друга, т.е. r_x₁_x₂
= 0. Тогда можно говорить, что параметр
b₁
измеряет силу влияния фактора x₁
на результат y
при неизменном значении фактора x₂.
Если же r_x₁_x₂
= 1, то с изменением фактора x₁
фактор x₂
не может оставаться неизменным. Отсюда
b₁
и b₂
нельзя интерпретировать как показатели
раздельного влияния x₁
и x₂
на y.

Пример
3.2. При
изучении зависимости y
= f(x,
z,
v)
матрица парных коэффициентов корреляции
оказалась следующей:

	y	x	z	v
y	1
x	0,8	1
z	0,7	0,8	1
v	0,6	0,5	0,2	1

Очевидно,
что факторы x
и z
дублируют друг друга. В анализ целесообразно
включить фактор z,
а не x,
так как корреляция z,
с результатом y
слабее, чем корреляция фактора x
с y
(r_yz
< r_yx),
но зато слабее межфакторная корреляция
r_zv
< r_xv_.
Поэтому в данном случае в уравнение
множественной регрессии включаются
факторы z,
и v.

По
величине парных коэффициентов корреляции
обнаруживается лишь явная коллинеарность
факторов. Наибольшие трудности в
использовании аппарата множественной
регрессии возникают при наличии
мультиколлинеарности
факторов, когда более чем два фактора
связаны между собой линейной зависимостью,
т.е. имеет место совокупное воздействие
факторов друг на друга. Наличие
мультиколлинеарности факторов может
означать, что некоторые факторы всегда
будут действовать в унисон. В результате
вариация в исходных данных перестает
быть полностью независимой и нельзя
оценить воздействие каждого фактора в
отдельности. Чем сильнее мультиколлинеарность
факторов, тем менее надежна оценка
распределения суммы объясненной вариации
по отдельным факторам с помощью метода
наименьших квадратов.

Если
рассматривается регрессия y
= a
+ b

x
+ c

z
+ d

v
+ ,
то для расчета параметров с применением
МНК предполагается равенство

S²_y
= S²_факт
+ S²_,

где
S²_y
– общая сумма квадратов отклонений

;
S²_факт
– факторная (объясненная) сумма квадратов
отклонений

;
S²_
– остаточная сумма квадратов отклонений

.

В
свою очередь, при независимости факторов
друг от друга выполнимо равенство

S²_факт
= S²_x
+ S²_z
+ S²_v,

где
S²_x,
S²_z,
S²_v
– суммы квадратов отклонений, обусловленные
влиянием соответствующих факторов.

Если
же факторы интеркоррелированы, то данное
равенство нарушается.

Включение
в модель мультиколлинеарных факторов
нежелательно по следующим причинам:

– затрудняется
интерпретация параметров множественной
регрессии как характеристик действия
факторов в «чистом» виде, ибо факторы
коррелированны; параметры линейной
регрессии теряют экономический смысл;

– оценки
параметров ненадежны, обнаруживают
большие стандартные ошибки и меняются
с изменением объема наблюдений (не
только по величина, но и по знаку), что
делает модель непригодной для анализа
и прогнозирования.

Для
оценки факторов может использоваться
определитель матрицы
парных коэффициентов корреляции между
факторами.

Если
бы факторы не коррелировали между собой,
то матрицы парных коэффициентов
корреляции между ними была бы единичной,
поскольку все недиагональные элементы
r_xixj
(x_i

x_j)
были бы равны нулю. Так, для уравнения,
включающего три объясняющих переменных,

y
= a
+ b₁

x₁
+ b₂

x₂
+ b₃

x₃
+ ,

матрица
коэффициентов корреляции между факторами
имела бы определитель, равный единице

поскольку
r_x₁_x₁
= r_x₂_x₂
= r_x₃_x₃
= 1 и r_x₁_x₂
= r_x₁_x₃
= r_x₂_x₃
= 0.

Если
же между факторами существует полная
линейная зависимость и все коэффициенты
корреляции равны единице, то определитель
такой матрицы равен нулю

Чем
ближе к нулю определитель матрицы
межфакторной корреляции, тем сильнее
мультиколлинеарность факторов и
ненадежнее результаты множественной
регрессии. И, наоборот, чем ближе к
единице определитель матрицы межфакторной
корреляции, тем меньше мультиколлинеарность
факторов.

Оценка
значимости мультиколлинеарности
факторов может быть проведена методом
испытания гипотезы о независимости
переменных H₀:
DetR
= 1. Доказано, что величина

имеет приближенное распределение ²
с df
= m

(m
– 1)/2 степенями
свободы. Если фактическое значение ²
превосходит табличное (критическое):
²_факт
> ²_табл(_df_,_₎
то гипотеза H₀
отклоняется. Это означает, что DetR

1, недиагональные ненулевые коэффициенты
корреляции указывают на коллинеарность
факторов. Мультиколлинеарность считается
доказанной.

Через
коэффициенты множественной детерминации
можно найти переменные, ответственные
за мультиколлинеарность факторов. Для
этого в качестве зависимой переменной
рассматривается каждый из факторов.
Чем ближе значение коэффициента
множественной детерминации к единице,
тем сильна проявляется мультиколлинеарность
факторов. Сравнивая между собой
коэффициенты множественной детерминации
факторов
R²_x₁__x₂_x_3…_xp;
R²_x₂__x₁_x_3…_xp
и т.п., можно выделить переменные,
ответственные за мультиколлинеарность,
следовательно, можно решать проблему
отбора факторов, оставляя в уравнении
факторы с минимальной величиной
коэффициента множественной детерминации.

Имеется
ряд подходов преодоления сильной
межфакторной корреляции. Самый простой
из них состоит в исключении из модели
одного или нескольких факторов. Другой
путь связан с преобразованием факторов,
при котором уменьшается корреляция
между ними. Например, при построении
модели на основе рядов динамики переходят
от первоначальных данных к первым
разностям уровней y
= y_t
– y_t_–1,
чтобы исключить влияние тенденции, или
используются такие методы, которые
сводят к нулю межфакторную корреляцию,
т.е. переходят от исходных переменных
к их линейным комбинациям, не коррелированным
друг с другом (метод главных компонент).

Одним
из путей учета внутренней корреляции
факторов является переход к совмещенным
уравнениям регрессии, т.е. к уравнениям,
которые отражают не только влияние
факторов, но и их взаимодействие. Так,
если y
= f(x₁,
x₂,
x₃).
то можно построить следующее совмещенное
уравнение:

y
= a
+ b₁

x₁
+ b₂

x₂
+ b₃

x₃
+ b₁₂

x₁

x₂
+ b₁₃

x₁

x₃
+ b₂₃

x₂

x₃
+ .

Рассматриваемое
уравнение включает эффект взаимодействия
первого порядка. Можно включать в модель
и взаимодействие более высоких порядков,
если будет доказана его статистическая
значимость, например включение
взаимодействия второго порядка b₁₂₃

x₁
x₂

x₃
и т.д. Как правила, взаимодействие
третьего и более высоких порядков
оказывается статистически незначимым;
совмещенные уравнения регрессии
ограничиваются взаимодействием первого
и второго порядков. Но и оно может
оказаться несущественным. Тогда
нецелесообразно включать в модель
взаимодействие всех факторов и всех
порядков. Так, если анализ совмещенного
уравнения показал значимость только
взаимодействия факторов x₁и
x₃,
то уравнение будет иметь вид:

y
= a
+ b₁

x₁
+ b₂

x₂
+ b₃

x₃
+ b₁₃

x₁

x₃
+ .

Взаимодействие
факторов x₁и
x₃
означает, что на разных уровнях фактора
x₃
влияние фактора x₁на
y
будет неодинаково, т.е. оно зависит от
значений фактора x₃.
На рис. 3.1 взаимодействие факторов
представляется непараллельными линиями
связи x₁с
результатом y.
И, наоборот, параллельные линии влияния
фактора x₁на
y
при разных уровнях фактора x₃
означают отсутствие взаимодействия
факторов x₁и
x₃.

Рис.
3.1. Графическая иллюстрация взаимодействия
факторов

Совмещенные
уравнения регрессии строятся, например,
при исследовании эффекта влияния на
урожайность разных видов удобрений
(комбинаций азота и фосфора).

Решению
проблемы устранения мультиколлинеарности
факторов может помочь и переход к
уравнениям приведенной формы. С этой
целью в уравнение регрессии подставляют
рассматриваемый фактор, выраженный из
другого уравнения.

Пусть,
например, рассматривается двухфакторная
регрессия вида y_x
= a
+ b₁

x₁
+ b₂

x₂,
для которой факторы x₁и
x₂
обнаруживают высокую корреляцию. Если
исключить один из факторов, то мы придем
к уравнению парной регрессии. Вместе с
тем можно оставить факторы в модели, но
исследовать данное двухфакторное
уравнение регрессии совместно с другим
уравнением, в котором фактор (например,
x₂)
рассматривается как зависимая переменная.
Предположим, что x₂
= A
+ B
y
+ C

x₃.
Подставив это уравнение в искомое вместо
x₂,
получим:

y_x
= a
+ b₁

x₁
+ b₂

(A
+ B

y
+ C

x₃)

или

y_x

(1 – b₂

B)
= (a
+ b₂

A)
+ b₁

x₁
+ C

b₂

x₃.

Если
(1 – b₂

B)

0, то, разделив обе части равенства на
(1 – b₂

B),
получим уравнение вида

которое
принято называть приведенной формой
уравнения для определения результативного
признака y.
Это уравнение может быть представлено
в виде

y_x
= a’
+ b’₁

x₁
+ b’₃

x₃.

К
нему для оценки параметров может быть
применен метод наименьших квадратов.

Отбор
факторов, включаемых в регрессию,
является одним из важнейших этапов
практического использования методов
регрессии. Подходы к отбору факторов
на основе показателей корреляции могут
быть разные. Они приводят построение
уравнения множественной регрессии
соответственно к разным методикам. В
зависимости от того, какая методика
построения уравнения регрессии принята,
меняется алгоритм её решения на
компьютере.

Наиболее
широкое применение получили следующие
методы построения уравнения множественной
регрессии:

– метод
исключения;

– метод
включения;

– шаговый
регрессионный анализ.

Каждый
из этих методов по-своему решает проблему
отбора факторов, давая в целом близкие
результаты – отсев факторов из полного
его набора (метод исключения), дополнительное
введение фактора (метод включения),
исключение ранее введенного фактора
(шаговый регрессионный анализ).

На
первый взгляд может показаться, что
матрица парных коэффициентов корреляции
играет главную роль в отборе факторов.
Вместе с тем вследствие взаимодействия
факторов парные коэффициенты корреляции
не могут в полной мере решать вопрос о
целесообразности включения в модель
того или иного фактора. Эту роль выполняют
показатели частной корреляции, оценивающие
в чистом виде тесноту связи фактора с
результатом. Матрица частных коэффициентов
корреляции наиболее широко используется
в процедуре отсева факторов. Отсев
факторов можно проводить и по t-критерию
Стьюдента для коэффициентов регрессии:
из уравнения исключаются факторы с
величиной t-критерия
меньше табличного. Так, например,
уравнение регрессии составило:

y
= 25 + 5x₁
+ 3x₂
+ 4x₃
+ .

(4,0) (1,3) (6,0)

В
скобках приведены фактические значения
t-критерия
для соответствующих коэффициентов
регрессии, как правило, при t
< 2 коэффициент регрессии незначим и,
следовательно, рассматриваемый фактор
не должен присутствовать в регрессионной
модели. В данном случае – это фактор
x₂.

При
отборе факторов рекомендуется пользоваться
следующим правилом: число включаемых
факторов обычно в 6-7 раз меньше объема
совокупности, по которой строится
регрессия. Если это соотношение нарушено,
то число степеней свободы остаточной
вариации очень мало. Это приводит к
тому, что параметры уравнения регрессии
оказываются статистически незначимыми,
а F-критерий
меньше табличного значения.

Источник

From Wikipedia, the free encyclopedia

For broader coverage of this topic, see Approximation.

«Absolute error» redirects here. Not to be confused with Absolute deviation.

Graph of $f(x)=e^{x}$ (blue) with its linear approximation $P_{1}(x)=1+x$ (red) at a = 0. The approximation error is the gap between the curves, and it increases for x values further from 0.

The approximation error in a data value is the discrepancy between an exact value and some approximation to it. This error can be expressed as an absolute error (the numerical amount of the discrepancy) or as a relative error (the absolute error divided by the data value).

An approximation error can occur for a variety of reasons, among them a computing machine precision or measurement error (e.g. the length of a piece of paper is 4.53 cm but the ruler only allows you to estimate it to the nearest 0.1 cm, so you measure it as 4.5 cm).

In the mathematical field of numerical analysis, the numerical stability of an algorithm indicates how an error occurring in one of the algorithm’s early steps effects errors in other parts of the algorithm.

Formal definition[edit]

Given some value v and its approximation v_approx, the absolute error is

$epsilon =|v-v_{text{approx}}| ,$

where the vertical bars denote the absolute value.
If vneq 0, the relative error is

$eta ={frac {epsilon }{|v|}}=left|{frac {v-v_{text{approx}}}{v}}right|=left|1-{frac {v_{text{approx}}}{v}}right|,$

and the percent error (an expression of the relative error) is

${displaystyle delta =100%times eta =100%times left|{frac {v-v_{text{approx}}}{v}}right|.}$

An error bound is an upper limit on the relative or absolute size of an approximation error.

Generalizations[edit]

This section needs expansion. You can help by adding to it. (April 2023)

These definitions can be extended to the case when and $v_{text{approx}}$ are n-dimensional vectors, by replacing the absolute value with an n-norm.^[1]

Examples[edit]

Best rational approximants for π (green circle), e (blue diamond), ϕ (pink oblong), (√3)/2 (grey hexagon), 1/√2 (red octagon) and 1/√3 (orange triangle) calculated from their continued fraction expansions, plotted as slopes y/x with errors from their true values (black dashes)

As an example, if the exact value is 50 and the approximation is 49.9, then the absolute error is 0.1 and the relative error is 0.1/50 = 0.002 = 0.2%. As a practical example, when measuring a 6 mL beaker, the value read was 5 mL. The correct reading being 6 mL, this means the percent error in that particular situation is, rounded, 16.7%.

The relative error is often used to compare approximations of numbers of widely differing size; for example, approximating the number 1,000 with an absolute error of 3 is, in most applications, much worse than approximating the number 1,000,000 with an absolute error of 3; in the first case the relative error is 0.003 while in the second it is only 0.000003.

There are two features of relative error that should be kept in mind. First, relative error is undefined when the true value is zero as it appears in the denominator (see below). Second, relative error only makes sense when measured on a ratio scale, (i.e. a scale which has a true meaningful zero), otherwise it is sensitive to the measurement units. For example, when an absolute error in a temperature measurement given in Celsius scale is 1 °C, and the true value is 2 °C, the relative error is 0.5. But if the exact same approximation is made with the Kelvin scale, a 1 K absolute error with the same true value of 275.15 K = 2 °C gives a relative error of 3.63×10⁻³.

Instruments[edit]

In most indicating instruments, the accuracy is guaranteed to a certain percentage of full-scale reading. The limits of these deviations from the specified values are known as limiting errors or guarantee errors.^[2]

References[edit]

^ Golub, Gene; Charles F. Van Loan (1996). Matrix Computations – Third Edition. Baltimore: The Johns Hopkins University Press. p. 53. ISBN 0-8018-5413-X.
^ Helfrick, Albert D. (2005) Modern Electronic Instrumentation and Measurement Techniques. p. 16. ISBN 81-297-0731-4

External links[edit]

Weisstein, Eric W. «Percentage error». MathWorld.

Источник

Средняя ошибка аппроксимации

)
несравнимы между собой, исключая
величину, равную нулю. Так, если для
одного наблюдения y
–

Поскольку
(y
–

Отклонения
(y
–

)
можно рассматривать как абсолютную
ошибку аппроксимации, а

. (2.38)

Таблица.
Расчет средней ошибки аппроксимации

y	y_x	y –
6	6,135947	-0,135946847	0,022658
9	8,524199	0,475801308	0,052867
10	10,33165	-0,331653106	0,033165
12	11,84201	0,157986835	0,013166
13	13,164	-0,163999272	0,012615
Итого			0,134471

Возможно
и другое определение средней ошибки
аппроксимации:

(2.39)

Для
нашего примера эта величина составит:

Для
расчета средней ошибки аппроксимации
в стандартных программах чаще используется
формула (2.39).

Аналогично
определяется средняя ошибка аппроксимации
и для уравнения параболы.

№11

Факторы,
включаемые во множественную регрессию,
должны отвечать следующим требованиям:

2)
не должны быть коррелированны между
собой и тем более находиться в точной
функциональной связи.

Пример
3.2. При
изучении зависимости y
= f(x,
z,
v)
матрица парных коэффициентов корреляции
оказалась следующей:

	y	x	z	v
y	1
x	0,8	1
z	0,7	0,8	1
v	0,6	0,5	0,2	1

S²_y
= S²_факт
+ S²_,

В
свою очередь, при независимости факторов
друг от друга выполнимо равенство

S²_факт
= S²_x
+ S²_z
+ S²_v,

где
S²_x,
S²_z,
S²_v
– суммы квадратов отклонений, обусловленные
влиянием соответствующих факторов.

Если
же факторы интеркоррелированы, то данное
равенство нарушается.

Включение
в модель мультиколлинеарных факторов
нежелательно по следующим причинам:

y
= a
+ b₁

x₁
+ b₂

x₂
+ b₃

x₃
+ ,

матрица
коэффициентов корреляции между факторами
имела бы определитель, равный единице

поскольку
r_x₁_x₁
= r_x₂_x₂
= r_x₃_x₃
= 1 и r_x₁_x₂
= r_x₁_x₃
= r_x₂_x₃
= 0.

y
= a
+ b₁

x₁
+ b₂

x₂
+ b₃

x₃
+ b₁₂

x₁

x₂
+ b₁₃

x₁

x₃
+ b₂₃

x₂

x₃
+ .

y
= a
+ b₁

x₁
+ b₂

x₂
+ b₃

x₃
+ b₁₃

x₁

x₃
+ .

Рис.
3.1. Графическая иллюстрация взаимодействия
факторов

y_x
= a
+ b₁

x₁
+ b₂

(A
+ B

y
+ C

x₃)

или

y_x

(1 – b₂

B)
= (a
+ b₂

A)
+ b₁

x₁
+ C

b₂

x₃.

Если
(1 – b₂

B)

0, то, разделив обе части равенства на
(1 – b₂

B),
получим уравнение вида

y_x
= a’
+ b’₁

x₁
+ b’₃

x₃.

К
нему для оценки параметров может быть
применен метод наименьших квадратов.

Наиболее
широкое применение получили следующие
методы построения уравнения множественной
регрессии:

– метод
исключения;

– метод
включения;

– шаговый
регрессионный анализ.

y
= 25 + 5x₁
+ 3x₂
+ 4x₃
+ .

(4,0) (1,3) (6,0)

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]

Источник

Для более широкого освещения этой темы см. Приближение .

График (синий) с его линейной аппроксимацией (красный) при a = 0. Ошибка аппроксимации — это зазор между кривыми, и она увеличивается для значений x дальше от 0. $f (x) = e ^ {x}$ $P_ {1} (x) = 1 + x$

Ошибка аппроксимации в некоторых данных является расхождение между точным значением и некоторым приближением к ней. Ошибка аппроксимации может возникнуть по следующим причинам:

измерения в данном не является точным из — за инструменты. (например, точное показание листа бумаги составляет 4,5 см, но, поскольку линейка не использует десятичные дроби, вы округлите его до 5 см.) или
приближения

В математической области численного анализа , то устойчивость численная из алгоритма показывает , как ошибка распространяются по алгоритму.

Формальное определение

Обычно различают относительную ошибку и абсолютную ошибку.

Учитывая некоторое значение v и его приближение v _{приблизительно} , абсолютная ошибка составляет

$epsilon = | v-v _ { text {приблизительно}} | ,$

где вертикальные полосы обозначают абсолютное значение . Если относительная погрешность составляет

$eta = { frac { epsilon} {| v |}} = left | { frac {v-v _ { text {приблизительно}}} {v}} right | = left | 1 - { гидроразрыв {v _ { text {приблизительно}}} {v}} right |,$

и ошибка процентов является

${ displaystyle delta = 100 % times eta = 100 % times { frac { epsilon} {| v |}} = 100 % times left | { frac {v-v _ { текст {приблизительно}}} {v}} right |.}$

На словах абсолютная ошибка — это величина разницы между точным значением и приближением. Относительная ошибка — это абсолютная ошибка, деленная на величину точного значения. Ошибка в процентах — это относительная ошибка, выраженная в 100 единицах.

Граница ошибки — это верхний предел относительного или абсолютного размера ошибки аппроксимации.

Обобщения

Эти определения могут быть расширены на случай, когда и являются n -мерными векторами , путем замены абсолютного значения на n -норму .
$v _ { text {приблизительно}}$

Примеры

Наилучшие рациональные аппроксимации для π (зеленый круг), e (синий ромб), ϕ (продолговатый розовый), (√3) / 2 (серый шестиугольник), 1 / √2 (красный восьмиугольник) и 1 / √3 (оранжевый треугольник) вычисленные из их разложений в непрерывную дробь, построенные как наклоны y / x с ошибками от их истинных значений (черные штрихи)

Например, если точное значение равно 50, а приближение — 49,9, тогда абсолютная ошибка составляет 0,1, а относительная ошибка составляет 0,1 / 50 = 0,002 = 0,2%. Другой пример: если при измерении стакана на 6 мл считанное значение будет 5 мл. Правильное показание составляет 6 мл, это означает, что процентная погрешность в данной конкретной ситуации округляется до 16,7%.

Относительная ошибка часто используется для сравнения приближений чисел разного размера; например, приближение числа 1000 с абсолютной ошибкой 3 в большинстве приложений намного хуже, чем приближение числа 1000000 с абсолютной ошибкой 3; в первом случае относительная погрешность составляет 0,003, а во втором — всего 0,000003.

Следует иметь в виду две особенности относительной ошибки. Во-первых, относительная ошибка не определена, когда истинное значение равно нулю, как оно указано в знаменателе (см. Ниже). Во-вторых, относительная погрешность имеет смысл только при измерении по шкале отношений (т. Е. Шкале с истинным значимым нулем), в противном случае она была бы чувствительна к единицам измерения. Например, когда абсолютная погрешность измерения температуры по шкале Цельсия составляет 1 ° C, а истинное значение — 2 ° C, относительная погрешность составляет 0,5, а погрешность в процентах составляет 50%. В том же случае, когда температура дана в шкале Кельвина , та же абсолютная ошибка 1 К с тем же истинным значением 275,15 К дает относительную ошибку 3,63 × 10 ^{— 3} и ошибку в процентах всего лишь 0,363%. Температура Цельсия измеряется по шкале интервалов , тогда как шкала Кельвина имеет истинный ноль, как и шкала отношений.

Инструменты

В большинстве индикаторных приборов точность гарантируется до определенного процента от полной шкалы. Пределы этих отклонений от указанных значений известны как предельные ошибки или гарантийные ошибки.

Смотрите также

Принятое и экспериментальное значение
Относительная разница
Неопределенность
Анализ экспериментальной неопределенности
Распространение неопределенности
Ошибки и неточности в статистике
Ошибка округления
Ошибка квантования
Погрешность измерения
Погрешность измерения
Машина эпсилон

Внешние ссылки

Вайсштейн, Эрик В. «Ошибка в процентах» . MathWorld .

Источник

Коэффициент корреляции

Тесноту (силу) связи изучаемых показателей в предмете эконометрика оценивают с помощью коэффициента корреляции Rxy, который может принимать значения от -1 до +1.

Если Rxy > 0,7 — связь между изучаемыми показателями сильная, можно проводить анализ линейной модели

Если 0,3 < Rxy < 0,7 — связь между показателями умеренная, можно использовать нелинейную модель при отсутствии Rxy > 0,7

Если Rxy < 0,3 — связь слабая, модель строить нельзя

Для нелинейной регрессии используют индекс корреляции (0 < Рху < 1):

Средняя ошибка аппроксимации

Для оценки качества однофакторной модели в эконометрике используют коэффициент детерминации и среднюю ошибку аппроксимации.

Средняя ошибка аппроксимации определяется как среднее отклонение полученных значений от фактических

Допустимая ошибка аппроксимации не должна превышать 10%.

В эконометрике существует понятие среднего коэффициента эластичности Э – который говорит о том, на сколько процентов в среднем изменится показатель у от своего среднего значения при изменении фактора х на 1% от своей средней величины.

Пример нахождения коэффициента корреляции

Исходные данные:

Номер региона	Среднедушевой прожиточный минимум в день одного трудоспособного, руб.,	Среднедневная заработная плата, руб.,
1	81	124
2	77	131
3	85	146
4	79	139
5	93	143
6	100	159
7	72	135
8	90	152
9	71	127
10	89	154
11	82	127
12	111	162

Рассчитаем параметры парной линейной регрессии, составив таблицу

	x	x²	y	xy	y²
1	81	6561	124	10044	15376
2	77	5929	131	10087	17161
3	85	7225	146	12410	21316
4	79	6241	139	10981	19321
5	93	8649	143	13299	20449
6	100	10000	159	15900	25281
7	72	5184	135	9720	18225
8	90	8100	152	13680	23104
9	71	5041	127	9017	16129
10	89	7921	154	13706	23716
11	82	6724	127	10414	16129
12	111	12321	162	17982	26244
Среднее	85,8	7491	141,6	12270,0	20204,3
Сумма	1030,0	89896	1699	147240	242451
σ	11,13		12,59
σ2	123,97		158,41

формула расчета дисперсии σ2 приведена здесь.

Коэффициенты уравнения y = a + bx определяются по формуле

Получаем уравнение регрессии: y = 0,947x + 60,279.

Коэффициент уравнения b = 0,947 показывает, что при увеличении среднедушевого прожиточного минимума в день одного трудоспособного на 1 руб. среднедневная заработная плата увеличивается на 0,947 руб.
Коэффициент корреляции рассчитывается по формуле:

Значение коэффициента корреляции более — 0,7, это означает, что связь между среднедушевым прожиточным минимумом в день одного трудоспособного и среднедневной заработной платой сильная.

Коэффициент детерминации равен R2 = 0.838^2 = 0.702
т.е. 70,2% результата объясняется вариацией объясняющей переменной x.

Источник

Средняя ошибка аппроксимации

Formal definition[edit]

Generalizations[edit]

Examples[edit]

Instruments[edit]

See also[edit]

References[edit]

External links[edit]

Средняя ошибка аппроксимации

Формальное определение

Обобщения

Примеры

Инструменты

Смотрите также

Рекомендации

Внешние ссылки

Коэффициент корреляции

Средняя ошибка аппроксимации

Пример нахождения коэффициента корреляции