Diferenças dos mínimos quadrados e regressão linear

regressão linear e mínimos quadrados são conceitos matemáticos que analisam estatisticamente variáveis ​​e define -los contra uma linha para medir a variação e desvio . Ambos os conceitos são freqüentemente usados ​​em matemática básica e análise de dados estatísticos. Para a maior parte , ambos têm uma abordagem semelhante para modelar mas completamente diferentes procedimentos e resultados . Finalidade

O objetivo dos mínimos quadrados é abordar a solução aproximada de equações superestimada, ou equações que têm variáveis ​​mais desconhecidos do que conhecidos . Em outras palavras, o seu principal objectivo é isolar variáveis ​​desconhecidas e minimizar os seus efeitos sobre as variáveis ​​conhecidas . O objectivo da regressão linear é para mostrar a relação escalável entre duas ou mais variáveis ​​. Na regressão linear , todas as variáveis ​​são claramente conhecidas. As variáveis ​​analisadas por meio de regressão linear afetam diretamente um ao outro de forma claramente escalável.

Procedimentos

O procedimento dos mínimos quadrados ajusta os parâmetros das variáveis ​​desconhecidas , a fim de melhor ajuste dos dados. A regressão linear nunca ajusta os parâmetros de variáveis ​​, porque todos os parâmetros estão claramente definidos . Mínimos quadrados criar um residual que explica a diferença entre o valor real de variáveis ​​dependentes e conhecidos o valor previsto de variáveis ​​independentes desconhecidos . Mais uma vez , a regressão linear nunca tem de fazer suposições ou previsões durante o procedimento. Em muitos aspectos, os procedimentos de regressão linear são muito mais simples do que as dos mínimos quadrados.

Linear versus não- linear

Como o nome sugere, regressão linear traça as suas conclusões em uma linha reta perfeita que inequivocamente distingue uma tendência. Mínimos quadrados traça as suas conclusões , tanto uma curva e uma linha reta , de acordo com os dados que estão sendo analisados. Se mínimos quadrados traça uma linha curva ou linear depende inteiramente da natureza do resíduo . Se o residual mostra muitos problemas na relação entre os valores das variáveis ​​previstas e conhecidas , a linha irá traçar como uma curva . Mas se os shows residuais muito poucas interrupções entre os valores previstos e conhecidos , ele irá traçar como uma linha reta .

Aplicação

mínimos quadrados é usado para dados e montagem interpretação do sistema com muitas variáveis ​​desconhecidas. De regressão linear , por outro lado , é utilizado particularmente para mostrar linhas de tendência através da análise de dados bem definidas . Mínimos quadrados tem o potencial para prever as tendências , o que abre as descobertas ao erro. A regressão linear não faz um erro; em vez disso, mostra claramente as tendências entre variáveis ​​, porque ele não tem a competição com variáveis ​​desconhecidas . A regressão linear aplica-se a descrever as coisas que já são conhecidas .