OLSとMLEの違い

OLSとMLE

話題が統計に関するものであるときは、しばしば消滅しようとします。ある人にとっては、統計を扱うことは恐ろしい経験のようです。数字、線、グラフは嫌いです。それにもかかわらず、私たちは学校教育を終えるためにこの大きな障害に直面する必要があります。そうでなければ、あなたの未来は暗くなります。希望も光もない。統計を渡すには、OLSとMLEによく遭遇します。 「OLS」は「普通最小二乗」を表し、「MLE」は「最尤推定」を表す。通常、これら2つの統計用語は互いに関連しています。通常の最小二乗法と最尤推定の違いについて学びましょう。

<！ - 1 - >

一般最小二乗（OLS）は線形最小二乗とも呼ばれます。これは、線形回帰モデルに位置する未知パラメータを近似的に決定する方法である。統計情報などのオンライン資料によると、データセット内の観測された応答と線形近似によって予測された応答との間の垂直距離の平方和の合計を最小にすることによって、一般最小二乗が得られる。簡単な数式を使用すると、線形回帰モデルの右側に結果推定子、特に単一回帰子を表すことができます。

<！ - 2 - >

たとえば、未知のパラメータを持ついくつかの方程式からなる一連の方程式があります。あなたは過度に決定されたシステムに対する近似解を見つけるのに最も標準的なアプローチなので、通常の最小2乗法を使用することができます。言い換えれば、方程式の誤差の二乗の和を最小にするのは、あなたの全体的な解です。データフィッティングは、最も適したアプリケーションになります。オンラインの情報源によれば、普通の最小二乗に最も適合するデータは、残差の二乗和を最小にすると述べています。 「残差」は、観測された値とモデルによって提供された近似値の差です。 "

<！最尤推定、すなわちMLEは、統計モデルのパラメータを推定し、統計モデルをデータに適合させるために使用される方法である。あなたが特定の場所のすべてのバスケットボール選手の身長測定値を見つけたい場合は、最尤推定を使用することができます。通常、コストや時間の制約などの問題が発生します。バスケットボール選手の身長をすべて測定する余裕がない場合、最尤推定は非常に便利です。最尤推定を使用して、被験者の身長の平均と分散を推定することができます。 MLEは、与えられたモデル内の特定のパラメトリック値を決定する際に、平均値と分散をパラメータとして設定します。要約すると、最尤推定は、正規分布で必要とされるデータを予測するために使用されるパラメータのセットをカバーする。所定の固定されたデータセットとその確率モデルは、予測データを生成する可能性が高い。 MLEは、見積もりに関しては統一されたアプローチを提供します。しかし、いくつかのケースでは、認識されたエラーのために最尤推定を使用することはできません。あるいは、問題は実際には存在しません。

OLSとMLEの詳細については、統計資料を参照してください。オンライン百科事典のウェブサイトもまた、追加情報の優れた情報源です。要約：

「OLS」は「一般最小二乗」を表し、「MLE」は「最尤推定」を表す。一般的な最小二乗法（OLS）は線形最小二乗法とも呼ばれる。これは、線形回帰モデルに位置する未知パラメータを近似的に決定する方法である。最尤推定（Maximum Likelihood Estimation：MLE）は、統計モデルのパラメータを推定し、統計モデルをデータに適合させるために使用される方法である。