جمع مربعات (Sum of Squares)

این مفهوم کمک می‌کند تا بهترین تابع یا مدل برای برازش (Fit) داده‌ها پیدا شود؛ یعنی مدلی که کمترین اختلاف را با داده‌های واقعی داشته باشد.

کاربرد جمع مربعات در تحلیل رگرسیون

در تحلیل رگرسیون هدف این است که مشخص کنیم یک سری داده تا چه حد می‌تواند با یک مدل یا تابع توضیح داده شود. جمع مربعات در اینجا نقش کلیدی دارد:

• هرچه مقدار جمع مربعات کمتر باشد، یعنی مدل انتخاب‌شده به داده‌های واقعی نزدیک‌تر است.
• هرچه این مقدار بیشتر باشد، نشان‌دهنده اختلاف زیاد بین مدل و داده‌های واقعی است.

✅ مثال ساده:
فرض کنید می‌خواهیم قیمت یک سهم را بر اساس زمان پیش‌بینی کنیم. اگر مدل ما قیمت‌های پیش‌بینی‌شده‌ای ارائه دهد که بسیار نزدیک به قیمت‌های واقعی باشند، جمع مربعات کوچک خواهد بود. اما اگر اختلاف زیاد باشد، این مقدار افزایش پیدا می‌کند.

درک مفهومی با مثال عددی

فرض کنید میانگین داده‌ها برابر 10 باشد و سه مقدار داریم:

• 8
• 10
• 12

مراحل محاسبه:

1. فاصله از میانگین:

   • 8 → 2-
   • 10 → 0
   • 12 → 2+

2. مربع فاصله‌ها:

   • 4 = (2-)²
   • 0 = 0²
   • 4 = 2²

3. جمع مربعات:

   • 8 = 4 + 0 + 4

? این عدد نشان می‌دهد داده‌ها چقدر از میانگین پراکنده‌اند.

اهمیت در دنیای مالی و سرمایه‌گذاری

در حوزه مالی، جمع مربعات برای سنجش نوسان (Variance) ارزش دارایی‌ها استفاده می‌شود. این موضوع کاربردهای مهمی دارد:

• ارزیابی میزان ریسک سرمایه‌گذاری
• مقایسه عملکرد دارایی‌ها
• پیش‌بینی رفتار آینده بازار

✅ مثال مالی:
اگر قیمت یک سهم به طور مداوم نوسان زیادی داشته باشد، جمع مربعات آن بالا خواهد بود؛ این یعنی ریسک بالاتر برای سرمایه‌گذار.

نکات کلیدی (Key Takeaways)

• جمع مربعات میزان پراکندگی داده‌ها حول میانگین یا مقادیر پیش‌بینی‌شده را نشان می‌دهد.
• این معیار در تحلیل رگرسیون برای یافتن بهترین مدل استفاده می‌شود.
• مقدار پایین نشان‌دهنده دقت بالای مدل است.
• مقدار بالا بیانگر نوسان و عدم تطابق زیاد داده‌ها است.
• سرمایه‌گذاران از این معیار برای تحلیل عملکرد دارایی‌ها استفاده می‌کنند.