Investori izmanto aktīvu cenu kustības modeļus, lai prognozētu, kur ieguldījuma cena būs jebkurā brīdī. Metodes, ko izmanto šo prognožu veikšanai, ir daļa no statistikas lauka lauka, kas pazīstams kā regresijas analīze.. T atlikuma dispersija vērtību kopums ir regresijas analīzes rīks, kas mēra, cik precīzi modeļa prognozes atbilst faktiskajām vērtībām.
Regresijas līnija
The regresijas līnija parāda, kā mainījusies aktīva vērtība dažādu mainīgo lielumu dēļ. Zināms arī kā a tendences līnija, regresijas līnija parāda aktīva cenas "tendenci". Regresijas līniju attēlo ar lineāru vienādojumu:
Y = a + bX
kur "Y" ir aktīvu vērtība, "a" ir konstante, "b" ir reizinātājs un "X" ir mainīgais, kas saistīts ar aktīvu vērtību.
Piemēram, ja modelis paredz, ka vienas guļamistabas māja pārdod par $ 300,000, divu guļamistabu māja pārdod par $ 400,000, un trīs guļamistabu māja pārdod par $ 500,000, regresijas līnija izskatās:
Y = 200 000 + 100 000 X
kur "Y" ir mājas pārdošanas cena un "X" ir guļamistabu skaits.
Y = 200 000 + 100 000 (1) = 300 000
Y = 200 000 + 100 000 (2) = 400 000
Y = 200 000 + 100 000 (3) = 500 000
Scatterplot
A scatterplot parāda punktus, kas atspoguļo faktiskās korelācijas starp aktīva vērtību un mainīgo. Termins "scatterplot" rodas no fakta, ka, kad šie punkti tiek attēloti grafikā, tie šķiet "izkaisīti", nevis atrodas perfekti uz regresijas līnijas. Izmantojot iepriekš minēto piemēru, mēs varētu būt ar šo datu punktiem:
1. punkts: 1BR pārdots par 288 000 ASV dolāriem
2. punkts: 1BR pārdots par 315 000 ASV dolāriem
3. punkts: 2BR pārdots par $ 395,000
4. punkts: 2BR pārdots par 410 000 ASV dolāriem
5. punkts: 3BR pārdots par $ 492,000
6. punkts: 3BR tiek pārdots par $ 507,000
Atlikušo variantu aprēķins
Atlikuma dispersijas aprēķins sākas ar kvadrātu summa atšķirības starp aktīva vērtību regresijas līnijā un katru atbilstošo aktīva vērtību scatterplot.
Šeit redzami atšķirību laukumi:
1. punkts: $ 288,000 - $ 300,000 = (- $ 12,000); (-12 000)2 = 144,000,000
2. punkts: $ 315,000 - $ 300,000 = (+ $ 15,000); (+15 000)2 = 225,000,000
3. punkts: $ 395,000 - $ 400,000 = (- $ 5000); (-5 000)2 = 25,000,000
4. punkts: $ 410,000 - $ 400,000 = (+ $ 10,000); (+10 000)2 = 100,000,000
5. punkts: $ 492,000 - $ 500,000 = (- $ 8000); (-8 000)2 = 64,000,000
6. punkts: $ 507,000 - $ 500,000 = (+ $ 7000); (+7000)2 = 49,000,000
Kvadrātu summa = 607 000 000
Atlikuma dispersija tiek konstatēta, ņemot kvadrātu summu un dalot to ar (n-2), kur "n" ir datu punktu skaits izkliedes laukumā.
RV = 607 000 000 / (6-2) = 607 000 000/4 = 151,750,000.
Atlikušo variantu izmantošana
Kaut arī katrs izkliedes punkta punkts nepiepildīsies perfekti ar regresijas līniju, stabilam modelim tiks rādīti izkliedes punkti regulāri sadalījumā ap regresijas līniju. Atlikuma dispersija ir pazīstama arī kā "kļūdas dispersija". Augsta atlikuma dispersija parāda, ka regresijas līnija sākotnējā modelī var būt kļūdaina. Dažas izklājlapu funkcijas var parādīt procesu, kurā tiek veidota regresijas līnija, kas ir tuvāka ar scatterplot datiem.
