Уравнение регрессии - страница 3

Помню, как же не помнить.

Но раньше ты называл остров Необитаемым :)

это я видел. огромный труд. Спасибо тебе за эту работу. Но исследования, а тут именно исследования лучше проводить на другом языке там где действительно есть матричные операции...

З.Ы. а вот необитаемый остров я видно пропустил. ссылкой не поделитесь. почитать хочеться, что нить толковое... 

матричные операции в каждом конкретном случае можно свести к обычным арифметическим:)

в целом, в той статье предлагается искать параметры модели симплекс-методом, но он, как известно, экспоненциально долгий по отношению к размерности задачи. Поэтому, как мне кажется, это -- первое направление, в котором следует поработать. Кстати, указанная вами статья, кажется, единственная на эту тему на русском языке, причем сама по себе довольно низкого качества (наверное, чей-то курсовик или диплом:)

вот если бы кто-нибудь взялся написАть симплекс на MQL... а то мне самому так лень!

upd Ну, а эллипсоиды было бы вообще замечательно:))

Так и не понял конструктива критики "нищеты" МНК...

;)

не добил предложение в середине, видимо ботл пива сказался, старею:))) просто не читайте, начиная с "которое".

Критика, как уже поняли некоторые читающие ветку, направлена на особенности МНК, заключающуюся в а) его плохих характеристиках при работе с процессами негауссовской природы (оценка МНК в этом случае не является эффективной), и б) в неспособности МНК "разделить" два процесса - гауссовский и негауссовский: метод реагирует на аддитивную смесь целиком, в отличие от этого метод наименьших расстояний или квантильная регрессия будет реагировать только на гауссовскую часть, выделяя таким образом из процесса вторую составляющую.

И вообще, МНК пользуются как правило только потому, что им гораздо проще производить расчеты. Вместе с тем, в реальной жизни многие задачи требуют применения других методов, но народ то ли из лени, то ли от незнания тыкает МНК куда ни попадя...

Я так думаю, что свойства квадратичной функции по поиску минимума эксплуатируется...Типа производная равна нулю в точке 0.

Потому все аналитически выведенные способы вычисления параметров функции работают вне зависимости от области определения функции. Я как то писал об этой проблеме.

Но! Если вы будете подгонять лучшие по МНК параметры для функции с определением -1 ....1 - Вас ждут непрятности.

Можете получить худшие. Минимум отклонения станет максимумом.

Опять замечу - это для "лобовых" методик.

А раз вы "юзаете" свое собственное распределение, и оно, наверное ;), в производных не свелось к возможности вычислить минимум МНК для параметров, а что особенно важно, определено в "замечательных" пределах - минимальное правдоподобие имеет место.

Попробуйне нормировать данные так, чтобы ни один квадрат отклонения не был меньше 1.

;)

но основной вопрос остался вне кадра - пусть вы подобрали параметры распределения.

К котирам это как экстраполирутся? По арктангенсу?

DDD