OLS와 MLE의 차이점

OLS 대 MLE

주제가 통계 일 때 종종 사라지려고한다. 일부의 경우 통계 처리는 무시 무시한 경험과 같습니다. 우리는 숫자, 선 및 그래프를 싫어합니다. 그럼에도 불구하고, 우리는 학교 생활을 끝내기 위해 큰 장애물에 직면해야합니다. 그렇지 않다면 당신의 미래는 어두울 것입니다. 희망도없고 빛도 없습니다. 통계를 전달하기 위해 종종 OLS와 MLE가 발생합니다. "OLS"는 "보통 최소 제곱"을, "MLE"는 "최대 우도 추정"을 나타냅니다. "보통이 두 통계 용어는 서로 관련이 있습니다. 평범한 최소 제곱과 최대 우도 추정의 차이에 대해 알아 보겠습니다.

일반 최소 자승 또는 OLS는 선형 최소 자승이라고 부를 수도 있습니다. 이것은 선형 회귀 모델에있는 미지의 매개 변수를 대략적으로 결정하는 방법입니다. 통계 및 기타 온라인 자료집에 따르면 일반 최소 자승법은 데이터 집합 내의 관측 된 반응과 선형 근사법에 의해 예측 된 반응 간의 수직 거리의 제곱의 합을 최소화함으로써 얻어진다. 간단한 공식을 통해 결과 추정기, 특히 선형 회귀 모형의 오른쪽에있는 단일 회귀 분석기를 표현할 수 있습니다.

예를 들어, 미지의 매개 변수가있는 여러 방정식으로 구성된 방정식 세트가 있습니다. 당신은 과도하게 결정된 시스템에 대한 근사해를 찾는 가장 표준적인 방법이기 때문에 일반 최소 제곱 법을 사용할 수 있습니다. 즉, 방정식에서 오류의 제곱의 합을 최소화하는 것이 전체 솔루션입니다. 데이터 피팅이 가장 적합한 애플리케이션이 될 수 있습니다. 온라인 자료에 의하면 일반 최소 자승에 가장 잘 맞는 데이터는 잔차 제곱의 합을 최소화합니다. "잔여"는 관찰 된 값과 모형에 의해 제공된 적합 값 사이의 차이입니다. "

최대 우도 추정, 즉 MLE는 통계 모델의 매개 변수를 추정하고 통계 모델을 데이터에 맞추는 데 사용되는 방법입니다. 특정 위치에서 모든 농구 선수의 신장 측정을 찾고 싶다면 최대 우도 추정을 사용할 수 있습니다. 일반적으로 비용 및 시간 제약과 같은 문제가 발생할 수 있습니다. 농구 선수의 모든 높이를 측정 할 여유가 없다면 최대 가능성 평가는 매우 편리 할 것입니다. 최대 우도 추정을 사용하여 피사체의 높이의 평균과 분산을 추정 할 수 있습니다. MLE는 주어진 모델에서 특정 매개 변수 값을 결정할 때 매개 변수로 평균 및 분산을 설정합니다.요약하면, 최대 우도 추정은 정규 분포에서 필요한 데이터를 예측하는데 사용될 수있는 파라미터 세트를 포함한다. 주어진 고정 된 데이터 세트와 확률 모델은 예측 된 데이터를 생성 할 것입니다. MLE는 추정에 관해서 우리에게 통일 된 접근법을 제공 할 것입니다. 그러나 어떤 경우에는 인식 된 오류로 인해 최대 우도 추정을 사용할 수 없거나 실제로 문제가 실제로 존재하지 않습니다.

OLS와 MLE에 관한 더 자세한 정보는 통계 서적을 참고하십시오. 온라인 백과 사전 웹 사이트 또한 좋은 추가 정보 출처입니다.

요약:

"OLS"는 "보통 최소 제곱"을 의미하고 "MLE"는 "최우 추정 (maximum likelihood estimation)"을 의미합니다. "

일반 최소 제곱 또는 OLS는 또한 선형 최소 제곱이라고 부를 수 있습니다. 이것은 선형 회귀 모델에있는 미지의 매개 변수를 대략적으로 결정하는 방법입니다.

1. 최대 우도 추정 또는 MLE는 통계 모델의 파라미터를 추정하고 통계 모델을 데이터에 맞추는 데 사용되는 방법이다.