انحراف معیار باقیمانده (Residual Standard Deviation)

در تحلیل رگرسیون، ما یک مدل می‌سازیم که مقادیر آینده یا ناشناخته را پیش‌بینی کند. اما:

• همیشه بین مقدار واقعی و مقدار پیش‌بینی شده اختلافی وجود دارد
• این اختلاف را باقیمانده (Residual) می‌نامند

✅ انحراف معیار باقیمانده اندازه کلی این اختلاف‌ها را نشان می‌دهد.

تفسیر مقدار Residual Standard Deviation

مقدار کوچک

• پیش‌بینی‌ها دقیق هستند
• داده‌ها نزدیک به خط رگرسیون هستند

✅ مثال:
اگر فروش واقعی و پیش‌بینی‌شده تقریباً برابر باشند، انحراف کم است.

مقدار بزرگ

• مدل دقت پایینی دارد
• اختلاف بین داده‌ها زیاد است

✅ مثال:
اگر مدل فروش را ۱۰۰ پیش‌بینی کند اما مقدار واقعی ۶۰ یا ۱۵۰ باشد، خطا زیاد است.

فرمول محاسبه (مفهومی)

برای محاسبه این مقدار:

1. اختلاف بین مقدار واقعی و پیش‌بینی‌شده را محاسبه می‌کنیم
2. این اختلاف‌ها را مجذور می‌کنیم
3. میانگین می‌گیریم
4. و در نهایت جذر می‌گیریم

📌 به‌طور خلاصه: Residual Standard Deviation = میزان پراکندگی خطاهای پیش‌بینی

مثال ساده

فرض کنید یک مدل فروش داریم:

• پیش‌بینی: ۱۰۰، ۲۰۰، ۳۰۰
• واقعی: ۹۰، ۲۲۰، ۲۸۰

اختلاف‌ها:

• ۱۰، -۲۰، ۲۰

هرچه این اختلاف‌ها کوچک‌تر باشند، مدل دقیق‌تر است.

کاربرد در دنیای واقعی

این شاخص در حوزه‌های مختلف کاربرد دارد:

در کسب‌وکار

• مقایسه هزینه واقعی با هزینه پیش‌بینی‌شده
• بررسی دقت مدل‌های مالی

✅ مثال:
یک شرکت هزینه پروژه را ۱ میلیارد پیش‌بینی کرده، ولی ۱.۳ میلیارد شده → نشان‌دهنده خطای مدل

در تحلیل داده و اقتصاد

• ارزیابی کیفیت مدل‌های پیش‌بینی
• تصمیم‌گیری بهتر بر اساس داده‌ها

✅ مثال:
مدل پیش‌بینی قیمت سهام با خطای کمتر، قابل اعتمادتر است.

تفاوت با خطای ساده (Residual)

• Residual (باقیمانده): خطای هر نقطه
• Residual Standard Deviation: میانگین کلی خطاها

✅ مثال:
یک نقطه ممکن است خطای زیاد داشته باشد، اما این شاخص تصویر کلی را نشان می‌دهد.

اهمیت این معیار

• کمک به سنجش دقت مدل
• امکان مقایسه مدل‌های مختلف
• بهبود تصمیم‌گیری مبتنی بر داده

نکات کلیدی (Key Takeaways)

• انحراف معیار باقیمانده دقت مدل رگرسیون را نشان می‌دهد
• مقدار کمتر یعنی پیش‌بینی دقیق‌تر
• بر اساس اختلاف بین داده واقعی و پیش‌بینی محاسبه می‌شود
• در تحلیل مالی و کسب‌وکار کاربرد زیادی دارد