रैखिक मॉडल

Not to be confused with linear model of innovation.

सांख्यिकी में, रेखीय मॉडल शब्द का उपयोग संदर्भ के अनुसार अलग-अलग तरीकों से किया जाता है। सबसे आम घटना प्रतिगमन मॉडल के संबंध में है और इस शब्द को अक्सर रैखिक प्रतिगमन मॉडल के पर्याय के रूप में लिया जाता है। हालाँकि, शब्द का उपयोग समय श्रृंखला विश्लेषण में एक अलग अर्थ के साथ भी किया जाता है। प्रत्येक मामले में, पदनाम रैखिक का उपयोग मॉडल के एक उपवर्ग की पहचान करने के लिए किया जाता है जिसके लिए संबंधित सांख्यिकीय सिद्धांत की जटिलता में पर्याप्त कमी संभव है।

रेखीय प्रतिगमन मॉडल

Main article: Linear regression

प्रतिगमन मामले के लिए, सांख्यिकीय मॉडल इस प्रकार है। एक (यादृच्छिक) नमूना दिया $(Y_{i},X_{i1},\ldots ,X_{ip}),\,i=1,\ldots ,n$ टिप्पणियों के बीच संबंध $Y_{i}$ और स्वतंत्र चर $X_{ij}$ के रूप में तैयार किया गया है

$Y_{i}=\beta _{0}+\beta _{1}\phi _{1}(X_{i1})+\cdots +\beta _{p}\phi _{p}(X_{ip})+\varepsilon _{i}\qquad i=1,\ldots ,n$

कहाँ $\phi _{1},\ldots ,\phi _{p}$ नॉनलाइनियर सिस्टम फ़ंक्शंस हो सकते हैं। उपरोक्त में, मात्राएँ $\varepsilon _{i}$ संबंध में त्रुटियों का प्रतिनिधित्व करने वाले यादृच्छिक चर हैं। पदनाम का रैखिक भाग प्रतिगमन गुणांक की उपस्थिति से संबंधित है, $\beta _{j}$ उपरोक्त संबंध में एक रेखीय तरीके से। वैकल्पिक रूप से, कोई कह सकता है कि उपरोक्त मॉडल के अनुरूप अनुमानित मूल्य, अर्थात्

${\hat {Y}}_{i}=\beta _{0}+\beta _{1}\phi _{1}(X_{i1})+\cdots +\beta _{p}\phi _{p}(X_{ip})\qquad (i=1,\ldots ,n),$

के रैखिक कार्य हैं $\beta _{j}$.

यह देखते हुए कि अनुमान कम से कम वर्गों के विश्लेषण के आधार पर किया जाता है, अज्ञात मापदंडों का अनुमान $\beta _{j}$ वर्गों के कार्य के योग को कम करके निर्धारित किया जाता है

$S=\sum _{i=1}^{n}\left(Y_{i}-\beta _{0}-\beta _{1}\phi _{1}(X_{i1})-\cdots -\beta _{p}\phi _{p}(X_{ip})\right)^{2}.$

इससे, यह आसानी से देखा जा सकता है कि मॉडल के रैखिक पहलू का अर्थ निम्नलिखित है:

• न्यूनतम किया जाने वाला फलन का द्विघात फलन है $\beta _{j}$ जिसके लिए न्यूनीकरण एक अपेक्षाकृत सरल समस्या है;
• फलन के अवकलज, के रैखिक फलन हैं $\beta _{j}$ न्यूनतम मूल्यों को खोजना आसान बनाना;

* कम से कम मान $\beta _{j}$ प्रेक्षणों के रैखिक कार्य हैं $Y_{i}$;

* कम से कम मान $\beta _{j}$ यादृच्छिक त्रुटियों के रैखिक कार्य हैं $\varepsilon _{i}$ जो अनुमानित मूल्यों के सांख्यिकीय गुणों को निर्धारित करना अपेक्षाकृत आसान बनाता है $\beta _{j}$.

समय श्रृंखला मॉडल

एक रेखीय समय श्रृंखला मॉडल का एक उदाहरण एक ऑटोरेग्रेसिव मूविंग एवरेज मॉडल है। यहाँ मूल्यों के लिए मॉडल {$X_{t}$} एक समय श्रृंखला के रूप में लिखा जा सकता है

$X_{t}=c+\varepsilon _{t}+\sum _{i=1}^{p}\phi _{i}X_{t-i}+\sum _{i=1}^{q}\theta _{i}\varepsilon _{t-i}.\,$

जहाँ फिर से मात्राएँ $\varepsilon _{i}$ नवाचार (सिग्नल प्रोसेसिंग) का प्रतिनिधित्व करने वाले यादृच्छिक चर हैं जो नए यादृच्छिक प्रभाव हैं जो एक निश्चित समय पर दिखाई देते हैं लेकिन मूल्यों को भी प्रभावित करते हैं $X$ बाद के समय में। इस उदाहरण में लीनियर मॉडल शब्द का उपयोग प्रतिनिधित्व करने में उपरोक्त संबंध की संरचना को संदर्भित करता है $X_{t}$ एक ही समय श्रृंखला के पिछले मूल्यों और नवाचारों के वर्तमान और पिछले मूल्यों के एक रैखिक कार्य के रूप में। संरचना के इस विशेष पहलू का अर्थ है कि समय श्रृंखला के माध्य और सहप्रसरण गुणों के लिए संबंध प्राप्त करना अपेक्षाकृत सरल है। ध्यान दें कि यहाँ रैखिक मॉडल शब्द का रैखिक भाग गुणांकों का उल्लेख नहीं कर रहा है $\phi _{i}$ और $\theta _{i}$, जैसा कि प्रतिगमन मॉडल के मामले में होगा, जो संरचनात्मक रूप से समान दिखता है।

आँकड़ों में अन्य उपयोग

कुछ अन्य उदाहरण हैं जहां गैर-रैखिक मॉडल का उपयोग रैखिक रूप से संरचित मॉडल के विपरीत करने के लिए किया जाता है, हालांकि शब्द रैखिक मॉडल आमतौर पर लागू नहीं होता है। इसका एक उदाहरण अरैखिक विमीयता में कमी है।

यह भी देखें

• सामान्य रैखिक मॉडल
• सामान्यीकृत रैखिक मॉडल
• रैखिक भविष्यवक्ता समारोह
• रैखिक प्रणाली
• रेखीय प्रतिगमन
• सांख्यिकीय मॉडल