[회귀분석] 6. 최소제곱법을 이용한 회귀계수 추정 일반화

회귀계수를 추정하는 방법은 아래 그림과 같이 세가지가 있습니다. 

 

 

지난 강의에서 최소제곱법의 예시를 공부했습니다. 오늘은 최소제곱법을 이용한 회귀계수 계산 방법을 일반화해보겠습니다.  

(최소제곱법 예시) → (일반화)

 

최소제곱법 일반화

아래와 같은 데이터가 있다고 합시다.

$(x_{1},y_{1})$
$(x_{1},y_{1})$
$...$
$(x_{n},y_{n})$

선형모델을 아래와 같이 가정합시다. 

$y=\beta_{0}+\beta_{1}x+\varepsilon$

오차에 대해 위 식을 정리하면 아래와 같습니다. 

$\varepsilon=y- \beta_{0}-\beta_{1}x$

위 데이터를 대입하면 오차들은 각각 아래와 같습니다. 

$\varepsilon_{1}=y_{1}-\beta_{0}-\beta_{1}x_{1}$
$\varepsilon_{2}=y_{2}-\beta_{0}-2\beta_{1}x_{2}$
$...$
$\varepsilon_{n}=y_{n}-\beta_{0}-3\beta_{1}x_{n}$

오차의 제곱합은 아래와 같습니다. 

$\sum_{i=1}^{n}\varepsilon_{i}^2=\varepsilon_{1}^2  +\varepsilon_{2}^2  +...+\varepsilon_{n}^2  =\sum_{i=1}^{n} \left [ y_{i}- \beta_{0}-\beta_{1}x_{i}  \right ] ^2$

오차의 제곱합에서 변수는 $\beta_{0}$와 $\beta_{1}$입니다. 따라서 아래와 같은 함수로 놓을 수 있습니다. 

$J(\beta_{0},\beta_{1}) =\sum_{i=1}^{n} \left [ y_{i}- \beta_{0}-\beta_{1}x_{i}  \right ] ^2$

이제 이 함수가 최소가 되게 하는 $\beta_{0}$와 $\beta_{1}$ 을 찾으면 됩니다. 함수가 최솟값을 갖는 위치에서는 각 변수방향으로의 기울기가 0입니다. 아래로 볼록인 함수를 상상하시면 됩니다. 따라서 J함수를 각 변수로 편미분한 함수를 0으로 만들어주는 값을 찾으면 됩니다. J함수를 각 변수로 편미분해봅시다. 

 

$\beta_{0}$로 편미분

함수 J를 $\beta_{0}$로 편미분하면 아래와 같습니다. 

 

$\frac{\partial J(\beta_{0},\beta_{1})}{\partial \beta_{0}} =-\sum_{i=1}^{n} 2\left [ y_{i}- \beta_{0}-\beta_{1}x_{i}  \right ]$

 

이 편미분 값이 0인 위치에서 함수 J가 최솟값을 갖습니다. 

 

$-\sum_{i=1}^{n} 2\left [ y_{i}- \beta_{0}-\beta_{1}x_{i}  \right ]=0$

 

-2를 약분합시다. 

$\sum_{i=1}^{n} \left [ y_{i}- \beta_{0}-\beta_{1}x_{i}  \right ]=0$

항을 나눠서 써줍시다. 

$\sum_{i=1}^{n} y_{i} -\sum_{i=1}^{n} \beta_{0} -\sum_{i=1}^{n} \beta_{1}x_{i} =0$

시그마와 무관한 항을 밖으로 꺼냅시다. 

$\sum_{i=1}^{n} y_{i} -\beta_{0}\sum_{i=1}^{n} 1 -\beta_{1}\sum_{i=1}^{n} x_{i} =0$

두번째 항을 아래와 같이 계산합시다. 

$\sum_{i=1}^{n} y_{i} -\beta_{0}n -\beta_{1}\sum_{i=1}^{n} x_{i} =0$

두 변수에 대해 아래와 같이 정리해줍니다. 

$\beta_{0}n +\beta_{1}\sum_{i=1}^{n} x_{i} =\sum_{i=1}^{n} y_{i}$

 

$\beta_{1}$로 편미분

함수 J를 $\beta_{1}$로 편미분하면 아래와 같습니다. 

 

$\frac{\partial J(\beta_{0},\beta_{1})}{\partial \beta_{1}} =-\sum_{i=1}^{n} 2\left [ y_{i}- \beta_{0}-\beta_{1}x_{i}  \right ]x_{i}$

이 편미분 값이 0인 위치에서 함수 J가 최솟값을 갖습니다.

$-\sum_{i=1}^{n} 2\left [ y_{i}- \beta_{0}-\beta_{1}x_{i}  \right ]x_{i}=0$

-2로 약분합시다.

$\sum_{i=1}^{n} \left [ y_{i}- \beta_{0}-\beta_{1}x_{i}  \right ]x_{i}=0$

전개합니다.

$\sum_{i=1}^{n} \left [ y_{i}x_{i}- \beta_{0}x_{i}-\beta_{1}x_{i}^2  \right ]=0$

항을 나눠서 써줍시다. 

$\sum_{i=1}^{n} y_{i}x_{i} -\sum_{i=1}^{n} \beta_{0}x_{i} -\sum_{i=1}^{n} \beta_{1}x_{i}^2 =0$

시그마와 무관한 항을 밖으로 꺼냅시다. 

$\sum_{i=1}^{n} y_{i}x_{i} -\beta_{0} \sum_{i=1}^{n} x_{i} - \beta_{1} \sum_{i=1}^{n}x_{i}^2 =0$

두 변수에 대해 아래와 같이 정리해줍니다. 

$\beta_{0} \sum_{i=1}^{n} x_{i}+  \beta_{1} \sum_{i=1}^{n}x_{i}^2 =\sum_{i=1}^{n} y_{i}x_{i}$

 

연립방정식 풀기

함수 J를 $\beta_{0}$과 $\beta_{1}$로 미분한 결과는 각각 아래와 같습니다. 

 

$\beta_{0}n +\beta_{1}\sum_{i=1}^{n} x_{i} =\sum_{i=1}^{n} y_{i}$

$\beta_{0} \sum_{i=1}^{n} x_{i}+  \beta_{1} \sum_{i=1}^{n}x_{i}^2 =\sum_{i=1}^{n} y_{i}x_{i}$

 

첫번째 식의 양변을 n으로 나누고, $\sum_{i=1}^{n} x_{i}$ 를 곱하여 아래와 같이 변형합니다. 

$\beta_{0}\sum_{i=1}^{n} x_{i} +\beta_{1} \frac{\left( \sum_{i=1}^{n} x_{i}\right )^2 }{n} =\frac{\sum_{i=1}^{n} x_{i} \sum_{i=1}^{n} y_{i}}{n}$

$\beta_{0} \sum_{i=1}^{n} x_{i}+  \beta_{1} \sum_{i=1}^{n}x_{i}^2 =\sum_{i=1}^{n} y_{i}x_{i}$

 

첫번째 식의 양변을 n으로 나누고, $\sum_{i=1}^{n} x_{i}$ 를 곱하여 아래와 같이 변형합니다. 

$\beta_{0}\sum_{i=1}^{n} x_{i} +\beta_{1} \frac{\left( \sum_{i=1}^{n} x_{i}\right )^2 }{n} =\frac{\sum_{i=1}^{n} x_{i} \sum_{i=1}^{n} y_{i}}{n}$

$\beta_{0} \sum_{i=1}^{n} x_{i}+  \beta_{1} \sum_{i=1}^{n}x_{i}^2 =\sum_{i=1}^{n} y_{i}x_{i}$

아래 항에서 위 항을 빼줍니다. 

$\left \{ \sum_{i=1}^{n}x_{i}^2 - \frac{\left( \sum_{i=1}^{n} x_{i}\right )^2 }{n} \right \}\beta_{1}= \sum_{i=1}^{n} y_{i}x_{i}-\frac{\sum_{i=1}^{n} x_{i} \sum_{i=1}^{n} y_{i}}{n}$

따라서 $\beta_{1}$은 아래와 같이 계산됩니다. 

$\beta_{1}= \frac{ \sum_{i=1}^{n} x_{i}y_{i}-\frac{\sum_{i=1}^{n} x_{i} \sum_{i=1}^{n} y_{i}}{n} }{  \sum_{i=1}^{n}x_{i}^2 - \frac{\left( \sum_{i=1}^{n} x_{i}\right )^2 }{n} }$

$\beta_{0}$ 는 $\beta_{1}$ 을 계산한 뒤에 아래 식에 대입하여 구합니다. 

$\beta_{0}n +\beta_{1}\sum_{i=1}^{n} x_{i} =\sum_{i=1}^{n} y_{i}$

 

 

$\beta_{1}$ 변형 (이렇게 안한다는얘기)

$\beta_{1}$ 을 구하는 수식을 봅시다. 

 

$\beta_{1}= \frac{ \sum_{i=1}^{n} x_{i}y_{i}-\frac{\sum_{i=1}^{n} x_{i} \sum_{i=1}^{n} y_{i}}{n} }{  \sum_{i=1}^{n}x_{i}^2 - \frac{\left( \sum_{i=1}^{n} x_{i}\right )^2 }{n} }$

 

먼저 분모를 n으로 묶어줍시다. 

 

$\beta_{1}= \frac{ \sum_{i=1}^{n} x_{i}y_{i}-\frac{\sum_{i=1}^{n} x_{i} \sum_{i=1}^{n} y_{i}}{n} }{ n\left \{ \frac{\sum_{i=1}^{n}x_{i}^2}{n} - \frac{\left( \sum_{i=1}^{n} x_{i}\right )^2 }{n^2} \right \} }$

 

분모의 괄호 안에 있는 항은 X의 제곱의 평균에서 평균의 제곱을 뺀 값입니다. 이는 분산입니다. 

 

$\beta_{1}= \frac{ \sum_{i=1}^{n} x_{i}y_{i}-\frac{\sum_{i=1}^{n} x_{i} \sum_{i=1}^{n} y_{i}}{n} }{ nV(X) }$

 

이번에는 분자를 변형합시다. n으로 묶어줍시다. 

 

$\beta_{1}= \frac{ n\left \{   \frac{\sum_{i=1}^{n} x_{i}y_{i}}{n}-\frac{\sum_{i=1}^{n} x_{i} }{n}\frac{\sum_{i=1}^{n} y_{i}}{n} \right \} }{ nV(X) }$

 

이는 공분산을 구하는 수식입니다. 

 

$\beta_{1}= \frac{ ncov(X,Y) }{ nV(X) }$

 

n을 약분하면 아래와 같습니다. 

 

$\beta_{1}= \frac{ cov(X,Y) }{ V(X) }$

 

한가지 문제가 있습니다. 위 공분산은 n-1로 나눈 표본의 공분산이 아니고, V(X)도 n-1로 나눈 표본분산이 아닙니다. 의미전달에 혼란이 올 수 있습니다. 따라서 이렇게 변형하지 않고, 일반적으로 아래와 같이 변형합니다. 

 

$\beta_{1}$ 변형

$\beta_{1}$ 을 구하는 수식을 봅시다. 

 

$\beta_{1}= \frac{ \sum_{i=1}^{n} x_{i}y_{i}-\frac{\sum_{i=1}^{n} x_{i} \sum_{i=1}^{n} y_{i}}{n} }{  \sum_{i=1}^{n}x_{i}^2 - \frac{\left( \sum_{i=1}^{n} x_{i}\right )^2 }{n} }$

 

분자와 분모는 아래와 같이 변형됩니다. 

 

$\beta_{1}= \frac{ \sum_{i=1}^{n} (x_{i}-\bar{x})(y_{i}-\bar{y}) } {  \sum_{i=1}^{n} (x_{i}-\bar{x})^2 }$

 

분모와 분자를 아래와 같이 간단한 기호로 나타내겠습니다. 

 

$\beta_{1}= \frac{ S_{xy} } { S_{xx} }$

 

$\beta_{0}$ 계산 수식을 통계량으로 변형

$\beta_{0}$ 는 $\beta_{1}$ 을 계산한 뒤에 아래 식에 대입하여 구합니다. 

$\beta_{0}n +\beta_{1}\sum_{i=1}^{n} x_{i} =\sum_{i=1}^{n} y_{i}$

 

양변을 n으로 나눠줍니다. 

$\beta_{0} +\beta_{1}\frac{\sum_{i=1}^{n} x_{i}}{n} =\frac{\sum_{i=1}^{n} y_{i}}{n}$

$\frac{\sum_{i=1}^{n} x_{i}}{n}$은 x의 평균,$\frac{\sum_{i=1}^{n} y_{i}}{n}$은 y의 평균입니다. 아래와 같이 바꿀 수 있습니다. 

$\beta_{0} +\beta_{1}\bar{x} =\bar{y}$

따라서 $\beta_{0}$는 아래와 같습니다. 

$\beta_{0} =\bar{y}-\beta_{1}\bar{x}$

 

요약

추정된 회귀계수에는 hat을 붙여줍니다. 모델로 구한 y값도 hat을 붙여줍니다. 데이터의 실제값은 $y$이고, 추정값은 $\hat{y}$ 입니다.