Metode Least Squares

Dalam Contoh 10, Bagian 1.2, kita melihat bagaimana persamaan linear dapat digunakan untuk
menyetujui tren penjualan untuk toko perlengkapan olahraga lokal. Garis tren, seperti yang kita lihat,
mungkin

digunakan untuk memprediksi penjualan masa depan toko. Ingat bahwa kami memperoleh garis tren di

Contoh 10 dengan mensyaratkan bahwa garis melewati dua titik data, alasannya

karena garis seperti itu tampaknya cocok dengan data dengan cukup baik.

Pada bagian ini kami menjelaskan metode umum yang dikenal sebagai metode yang paling sedikit

kuadrat untuk menentukan garis lurus yang, dalam beberapa hal, paling sesuai dengan sekumpulan data

poin ketika titik-titik tersebar di sekitar garis lurus. Untuk mengilustrasikan prinsipnya

di belakang metode kuadrat terkecil, misalkan, untuk kesederhanaan, bahwa kita diberi lima

titik data,

P1 (x1, y1), P2 (x2, y2), P3 (x3, y3), P4 (x4, y4), P5 (x5, y5)

menggambarkan hubungan antara dua variabel x dan y. Dengan memplot data ini

poin, kita memperoleh grafik yang disebut diagram pencar (Gambar 41).

Jika kita mencoba untuk menyesuaikan garis lurus ke titik-titik data ini, garis akan kehilangan titik data
pertama, detik, ketiga, keempat, dan kelima dengan jumlah d1, d2, d3, d4, dan d5, masing-masing? ??
tively (Gambar 42). Kita bisa memikirkan jumlah d1, d2,. . . , d5 sebagai kesalahan yang dibuat

ketika nilai-nilai y1, y2,. . . , y5 didekati oleh nilai-nilai y yang sesuai

berbaring di garis lurus L.

Prinsip kuadrat terkecil menyatakan bahwa garis lurus L yang sesuai dengan

titik data terbaik adalah yang dipilih dengan mengharuskan jumlah kuadrat dari

d1, d2,. . . , d5, artinya,

dibuat sekecil mungkin. Dengan kata lain, kriteria kuadrat-terkecil diperlukan

meminimalkan jumlah kuadrat dari kesalahan. Garis L diperoleh dengan cara ini

disebut garis kuadrat-terkecil, atau garis regresi.