Qu'est-ce que la somme résiduelle des carrés (RSS)?
Une somme résiduelle de carrés (RSS) est une technique statistique utilisée pour mesurer la quantité de variance dans un ensemble de données qui n'est pas expliquée par un modèle de régression. La régression est une mesure qui permet de déterminer la force de la relation entre une variable dépendante et une série d'autres variables changeantes ou variables indépendantes.
La somme résiduelle des carrés mesure la quantité d'erreur restante entre la fonction de régression et l'ensemble de données. Une somme résiduelle de carrés plus petite représente une fonction de régression. La somme résiduelle des carrés - également connue sous le nom de somme des résidus carrés - détermine essentiellement dans quelle mesure un modèle de régression explique ou représente les données dans le modèle.
Points clés à retenir
- La somme résiduelle des carrés (RSS) est une technique statistique utilisée pour mesurer la quantité de variance dans un ensemble de données qui n'est pas expliquée par un modèle de régression.La somme résiduelle des carrés est l'une des nombreuses propriétés statistiques bénéficiant d'une renaissance sur les marchés financiers. Idéalement, la somme des résidus au carré devrait être une valeur inférieure ou inférieure dans tout modèle de régression.
Comprendre la somme résiduelle des carrés (RSS)
Les marchés financiers sont de plus en plus orientés quantitativement; en tant que tel, à la recherche d'un avantage, de nombreux investisseurs utilisent des techniques statistiques avancées pour les aider dans leurs décisions. Les mégadonnées, l'apprentissage automatique et les applications d'intelligence artificielle nécessitent en outre l'utilisation de propriétés statistiques pour guider les stratégies d'investissement contemporaines. La somme résiduelle des carrés - ou statistiques RSS - est l'une des nombreuses propriétés statistiques bénéficiant d'une renaissance.
Les modèles statistiques sont utilisés par les investisseurs et les gestionnaires de portefeuille pour suivre le prix d'un investissement et utiliser ces données pour prévoir les mouvements futurs. L'étude - appelée analyse de régression - pourrait impliquer d'analyser la relation dans les mouvements de prix entre un produit et les stocks des entreprises engagées dans la production du produit.
Tout modèle peut présenter des écarts entre les valeurs prévues et les résultats réels. Bien que les variances puissent être expliquées par l'analyse de régression, la somme résiduelle des carrés représente les variances ou les erreurs qui ne sont pas expliquées.
Puisqu'une fonction de régression suffisamment complexe peut être réalisée pour s'adapter étroitement à pratiquement n'importe quel ensemble de données, une étude plus approfondie est nécessaire pour déterminer si la fonction de régression est, en fait, utile pour expliquer la variance de l'ensemble de données. En règle générale, cependant, une valeur inférieure ou inférieure pour la somme résiduelle des carrés est idéale dans tout modèle, car cela signifie qu'il y a moins de variations dans l'ensemble de données. En d'autres termes, plus la somme des résidus au carré est faible, meilleur est le modèle de régression pour expliquer les données.
