💸 Как сделать бизнес проще, а карман толще?

Тот, кто работает в сфере услуг, знает — без ведения записи клиентов никуда. Мало того, что нужно видеть свое раписание, но и напоминать клиентам о визитах тоже. Проблема в том, что средняя цена по рынку за такой сервис — 800 руб/мес или почти 15 000 руб за год. И это минимальный функционал. Нашли самый бюджетный и оптимальный вариант: сервис VisitTime.
⚡️ Для новых пользователей первый месяц бесплатно. А далее 290 руб/мес, это в 3 раза дешевле аналогов. За эту цену доступен весь функционал: напоминание о визитах, чаевые, предоплаты, общение с клиентами, переносы записей и так далее.
✅ Уйма гибких настроек, которые помогут вам зарабатывать больше и забыть про чувство «что-то мне нужно было сделать».
Сомневаетесь? нажмите на текст, запустите чат-бота и убедитесь во всем сами!

Определение 9.5.

Коэффициентом детерминации называется число:

.

В координатной форме коэффициент детерминации имеет вид:

.

Коэффициент детерминации отражает меру расхождения между наблюдением и регрессионными значениями , отнесенную к вариации наблюдения .

Определение 9.6.

Скорректированным коэффициентом детерминации называется величина:

.

По-прежнему из двух вариантов регрессии лучшей следует считать ту, для которой величина больше.

Постановка задачи нормальной линейной регрессии, связь между оценкой по методу наименьших квадратов и оценкой максимального правдоподобия. Теорема о распределениях оценки по методу наименьших квадратов, величины среднеквадратичного отклонения и величины разности среднеквадратичных отклонений (без доказательства).

Рассмотрим задачу линейной регрессии (9.1)-(9.4), в которой предположение (9.5) заменено более сильным предположением в отношении вектора :

вектор имеет нормальное распределение , ,

(9.10)

где – нулевой вектор порядка и – единичная матрица порядка .

Из (9.2) и (9.4) следует, что наблюдение , тогда из (9.10) следует, что вектор имеет нормальное распределение (как линейное преобразование вектора , имеющего нормальное распределение). Из пункта 1 теоремы 9.3 (в пункте 1 предположение не используется), следует, что и . Таким образом, вектор имеет нормальное распределение с плотностью вероятности:

,

где .

Рассмотрим задачу построения оценки неизвестного вектора параметров по методу максимального правдоподобия. Легко видеть, что функция правдоподобия,

,

принимает наибольшее значение при таком значении вектора параметров , при котором наименьшее значение принимает квадрат нормы . Отсюда следует, что МП-оценка определяется условием:

,

но из (9.2) квадрат нормы совпадает со среднеквадратичным отклонением и наименьшее значение достигается при оценке по методу наименьших квадратов . Отсюда следует, что в задаче нормальной линейной регрессии (9.1)-(9.4), (9.10) оценка по методу наименьших квадратов одновременно является оценкой максимального правдоподобия вектора параметров .