Понимание стандартной ошибки регрессии (SER): насколько неверна ваша модель?

Добро пожаловать в подробное изучение одного из самых практичных инструментов в статистике и науке о данных: стандартной ошибки регрессии (SER). Если вы когда-либо задавались вопросом, насколько «неправильной» может быть ваша модель прогнозирования в реальных условиях — например, в долларах, литрах или милях, — то это видео для вас. Мы начнем с основ линейной регрессии, визуализируя, как точки данных редко точно попадают на линию прогнозирования. Мы определим «остаток» как вертикальное расстояние между фактическим значением и предположением модели. Затем мы разберем математическую формулу SER, объяснив роль суммы квадратов ошибок (SSE) и важную поправку на число степеней свободы (n - k - 1). Мы объясним, почему эта поправка необходима для предотвращения недооценки ошибки в небольших наборах данных. Важно отметить, что мы сравним SER со знаменитым коэффициентом детерминации R². В то время как R² дает относительный процент, SER показывает «типичную» ошибку в единицах ваших данных. Мы проиллюстрируем это на примере реальной кофейни, показав, почему знание погрешности в показателе «количество проданных чашек» часто более ценно для принятия решений, чем простое указание процента.📚 Библиография и научные публикации: Это объяснение соответствует практическим методам прогнозирования, описанным в следующих книгах: «Основы эконометрики» – Дамодар Н. Гуджарати; «Введение в эконометрику: современный подход» – Джеффри М. Вулдридж; «Элементарная бизнес-статистика» – Джон Э. Фройнд.