SSE - Versionsgeschichte

Paul: SSE link einfügen pb

2022-01-18T11:47:55Z

SSE link einfügen pb

← Nächstältere Version		Version vom 18. Januar 2022, 13:47 Uhr
Zeile 2:		Zeile 2:
	Die Abkürzung SSE bezeichnet die Fehlerquadratsumme, welche im Englischen Sum of Squared Errors genannt wird. Zur Berechnung dieses [[Abweichungsmaße]]s wird für jeden empirischen Datenpunkt die Differenz vom entsprechenden Modellwert ermittelt. Durch Quadrieren und anschließendes Aufsummieren der Werte ergibt sich schließlich die Fehlerquadratsumme.		Die Abkürzung SSE bezeichnet die Fehlerquadratsumme, welche im Englischen Sum of Squared Errors genannt wird. Zur Berechnung dieses [[Abweichungsmaße]]s wird für jeden empirischen Datenpunkt die Differenz vom entsprechenden Modellwert ermittelt. Durch Quadrieren und anschließendes Aufsummieren der Werte ergibt sich schließlich die Fehlerquadratsumme.

	[[Datei:plot_sse.png\|600px]]		[[Datei:plot_sse.png\|600px\|link=Ausgelagerte_Bildbeschreibungen#SSE\|Ausgelagerte Bildbeschreibung von SSE]]

	Wenn ''Y<sub>d</sub>'' die empirischen Y-Werte und ''Y<sub>m</sub>'' die Y-Werte des Modells sind, wird das Vorgehen durch folgende Formel beschrieben:		Wenn ''Y<sub>d</sub>'' die empirischen Y-Werte und ''Y<sub>m</sub>'' die Y-Werte des Modells sind, wird das Vorgehen durch folgende Formel beschrieben:

Josefine am 12. November 2021 um 10:17 Uhr

2021-11-12T10:17:32Z

← Nächstältere Version		Version vom 12. November 2021, 12:17 Uhr
Zeile 6:		Zeile 6:
	Wenn ''Y<sub>d</sub>'' die empirischen Y-Werte und ''Y<sub>m</sub>'' die Y-Werte des Modells sind, wird das Vorgehen durch folgende Formel beschrieben:		Wenn ''Y<sub>d</sub>'' die empirischen Y-Werte und ''Y<sub>m</sub>'' die Y-Werte des Modells sind, wird das Vorgehen durch folgende Formel beschrieben:

	[[Datei:Sse.png\|150px]\|link=Ausgelagerte_Formeln#SSE\|Ausgelagerte Formel Sum of Squared Errors]		[[Datei:Sse.png\|150px\|link=Ausgelagerte_Formeln#SSE\|Ausgelagerte Formel Sum of Squared Errors]]

	Die Fehlerquadratsumme ist eines der häufigsten [[Abweichungsmaße]], da sie maßgebliche Vorteile mit sich bringt:		Die Fehlerquadratsumme ist eines der häufigsten [[Abweichungsmaße]], da sie maßgebliche Vorteile mit sich bringt:

Josefine am 12. November 2021 um 10:16 Uhr

2021-11-12T10:16:39Z

← Nächstältere Version		Version vom 12. November 2021, 12:16 Uhr
Zeile 6:		Zeile 6:
	Wenn ''Y<sub>d</sub>'' die empirischen Y-Werte und ''Y<sub>m</sub>'' die Y-Werte des Modells sind, wird das Vorgehen durch folgende Formel beschrieben:		Wenn ''Y<sub>d</sub>'' die empirischen Y-Werte und ''Y<sub>m</sub>'' die Y-Werte des Modells sind, wird das Vorgehen durch folgende Formel beschrieben:

	[[Datei:Sse.png\|150px]]		[[Datei:Sse.png\|150px]\|link=Ausgelagerte_Formeln#SSE\|Ausgelagerte Formel Sum of Squared Errors]

	Die Fehlerquadratsumme ist eines der häufigsten [[Abweichungsmaße]], da sie maßgebliche Vorteile mit sich bringt:		Die Fehlerquadratsumme ist eines der häufigsten [[Abweichungsmaße]], da sie maßgebliche Vorteile mit sich bringt:

Wehner am 21. Oktober 2018 um 11:51 Uhr

2018-10-21T11:51:06Z

← Nächstältere Version		Version vom 21. Oktober 2018, 13:51 Uhr
Zeile 17:		Zeile 17:
	* Zudem wird jede Differenz zwischen empirischen und entsprechenden Modelldaten gleichwertig in die Berechnung der SSE einbezogen. Dies kann ein Nachteil sein, wenn die Streuung der y-Werte sich für verschiedene x-Werte systematisch unterscheidet (das heißt, wenn Heteroskedastizität vorliegt). Ebenso ist die gleiche Gewichtung unvorteilhaft, wenn ein Teil der Daten für relevanter erachtet wird als ein anderer. Beispielhaft könnte man es für wichtiger halten, dass das Modell den subjektiven Wert über kurze Intervalle gut beschreiben kann. In diesem sowie im vorherigen Fall ist die Verwendung der gewichteten Fehlerquadratsumme eine Lösungsmöglichkeit, bei welcher jeder Abweichung ein eigenes Gewicht zugewiesen werden kann.		* Zudem wird jede Differenz zwischen empirischen und entsprechenden Modelldaten gleichwertig in die Berechnung der SSE einbezogen. Dies kann ein Nachteil sein, wenn die Streuung der y-Werte sich für verschiedene x-Werte systematisch unterscheidet (das heißt, wenn Heteroskedastizität vorliegt). Ebenso ist die gleiche Gewichtung unvorteilhaft, wenn ein Teil der Daten für relevanter erachtet wird als ein anderer. Beispielhaft könnte man es für wichtiger halten, dass das Modell den subjektiven Wert über kurze Intervalle gut beschreiben kann. In diesem sowie im vorherigen Fall ist die Verwendung der gewichteten Fehlerquadratsumme eine Lösungsmöglichkeit, bei welcher jeder Abweichung ein eigenes Gewicht zugewiesen werden kann.

	Die Entstehung der Fehleroberfläche aus der Fehlerquadratsumme wird in der R-Shiny-App [http://141.76.19.82:3838/mediawiki/Fitting/fitting/ "Fitting"] veranschaulicht.		[[Datei:Simulationslink_neu2.PNG\|link=http://141.76.19.82:3838/mediawiki/Fitting/fitting/
			\|120px]] <span style="color: white"> kkk </span> Die Entstehung der Fehleroberfläche aus der Fehlerquadratsumme wird in der R-Shiny-App [http://141.76.19.82:3838/mediawiki/Fitting/fitting/ "Fitting"] veranschaulicht.

Reichert am 9. Oktober 2018 um 11:18 Uhr

2018-10-09T11:18:09Z

← Nächstältere Version		Version vom 9. Oktober 2018, 13:18 Uhr
Zeile 16:		Zeile 16:
	* Ein Problem stellen Ausreißer in den Daten dar, welche das [[Abweichungsmaße\|Abweichungsmaß]] stark verzerren können und dadurch zu einer scheinbar schlechten Passung des Modells führen.		* Ein Problem stellen Ausreißer in den Daten dar, welche das [[Abweichungsmaße\|Abweichungsmaß]] stark verzerren können und dadurch zu einer scheinbar schlechten Passung des Modells führen.
	* Zudem wird jede Differenz zwischen empirischen und entsprechenden Modelldaten gleichwertig in die Berechnung der SSE einbezogen. Dies kann ein Nachteil sein, wenn die Streuung der y-Werte sich für verschiedene x-Werte systematisch unterscheidet (das heißt, wenn Heteroskedastizität vorliegt). Ebenso ist die gleiche Gewichtung unvorteilhaft, wenn ein Teil der Daten für relevanter erachtet wird als ein anderer. Beispielhaft könnte man es für wichtiger halten, dass das Modell den subjektiven Wert über kurze Intervalle gut beschreiben kann. In diesem sowie im vorherigen Fall ist die Verwendung der gewichteten Fehlerquadratsumme eine Lösungsmöglichkeit, bei welcher jeder Abweichung ein eigenes Gewicht zugewiesen werden kann.		* Zudem wird jede Differenz zwischen empirischen und entsprechenden Modelldaten gleichwertig in die Berechnung der SSE einbezogen. Dies kann ein Nachteil sein, wenn die Streuung der y-Werte sich für verschiedene x-Werte systematisch unterscheidet (das heißt, wenn Heteroskedastizität vorliegt). Ebenso ist die gleiche Gewichtung unvorteilhaft, wenn ein Teil der Daten für relevanter erachtet wird als ein anderer. Beispielhaft könnte man es für wichtiger halten, dass das Modell den subjektiven Wert über kurze Intervalle gut beschreiben kann. In diesem sowie im vorherigen Fall ist die Verwendung der gewichteten Fehlerquadratsumme eine Lösungsmöglichkeit, bei welcher jeder Abweichung ein eigenes Gewicht zugewiesen werden kann.

			Die Entstehung der Fehleroberfläche aus der Fehlerquadratsumme wird in der R-Shiny-App [http://141.76.19.82:3838/mediawiki/Fitting/fitting/ "Fitting"] veranschaulicht.

Wehner am 27. August 2018 um 12:34 Uhr

2018-08-27T12:34:31Z

← Nächstältere Version		Version vom 27. August 2018, 14:34 Uhr
Zeile 1:		Zeile 1:
	{{Nav\|Navigation\|Kognitive Modellierung\|Hauptseite}}		{{Nav\|Navigation\|Fitting & Parameter Estimation\|Kognitive Modellierung\|Hauptseite}}
	Die Abkürzung SSE bezeichnet die Fehlerquadratsumme, welche im Englischen Sum of Squared Errors genannt wird. Zur Berechnung dieses [[Abweichungsmaße]]s wird für jeden empirischen Datenpunkt die Differenz vom entsprechenden Modellwert ermittelt. Durch Quadrieren und anschließendes Aufsummieren der Werte ergibt sich schließlich die Fehlerquadratsumme.		Die Abkürzung SSE bezeichnet die Fehlerquadratsumme, welche im Englischen Sum of Squared Errors genannt wird. Zur Berechnung dieses [[Abweichungsmaße]]s wird für jeden empirischen Datenpunkt die Differenz vom entsprechenden Modellwert ermittelt. Durch Quadrieren und anschließendes Aufsummieren der Werte ergibt sich schließlich die Fehlerquadratsumme.

Reichert am 26. August 2018 um 12:16 Uhr

2018-08-26T12:16:13Z

← Nächstältere Version		Version vom 26. August 2018, 14:16 Uhr
Zeile 1:		Zeile 1:
	{{Nav\|Navigation\|Kognitive Modellierung\|Hauptseite}}		{{Nav\|Navigation\|Kognitive Modellierung\|Hauptseite}}
	~~Artikelinhalt~~		Die Abkürzung SSE bezeichnet die Fehlerquadratsumme, welche im Englischen Sum of Squared Errors genannt wird. Zur Berechnung dieses [[Abweichungsmaße]]s wird für jeden empirischen Datenpunkt die Differenz vom entsprechenden Modellwert ermittelt. Durch Quadrieren und anschließendes Aufsummieren der Werte ergibt sich schließlich die Fehlerquadratsumme.

			[[Datei:plot_sse.png\|600px]]

			Wenn ''Y<sub>d</sub>'' die empirischen Y-Werte und ''Y<sub>m</sub>'' die Y-Werte des Modells sind, wird das Vorgehen durch folgende Formel beschrieben:

			[[Datei:Sse.png\|150px]]

			Die Fehlerquadratsumme ist eines der häufigsten [[Abweichungsmaße]], da sie maßgebliche Vorteile mit sich bringt:
			* Durch das Quadrieren der Abweichungen werden große Fehler stärker bestraft als kleinere, sodass erstere mehr Gewicht bei der [[Fitting & Parameter Estimation\|Optimierung]] bekommen.
			* Ein gegenseitiger Ausgleich positiver und negativer Abweichungen wird verhindert.
			* Nicht zuletzt wird die Fehlerquadratsumme verwendet, weil sie unkompliziert zu implementieren und leicht zu interpretieren ist.

			Nachteile und Grenzen der Methode:
			* Ein Problem stellen Ausreißer in den Daten dar, welche das [[Abweichungsmaße\|Abweichungsmaß]] stark verzerren können und dadurch zu einer scheinbar schlechten Passung des Modells führen.
			* Zudem wird jede Differenz zwischen empirischen und entsprechenden Modelldaten gleichwertig in die Berechnung der SSE einbezogen. Dies kann ein Nachteil sein, wenn die Streuung der y-Werte sich für verschiedene x-Werte systematisch unterscheidet (das heißt, wenn Heteroskedastizität vorliegt). Ebenso ist die gleiche Gewichtung unvorteilhaft, wenn ein Teil der Daten für relevanter erachtet wird als ein anderer. Beispielhaft könnte man es für wichtiger halten, dass das Modell den subjektiven Wert über kurze Intervalle gut beschreiben kann. In diesem sowie im vorherigen Fall ist die Verwendung der gewichteten Fehlerquadratsumme eine Lösungsmöglichkeit, bei welcher jeder Abweichung ein eigenes Gewicht zugewiesen werden kann.

Wehner: Die Seite wurde neu angelegt: „{{Nav|Navigation|Kognitive Modellierung|Hauptseite}} Artikelinhalt“

2018-07-28T19:32:52Z

Die Seite wurde neu angelegt: „{{Nav|Navigation|Kognitive Modellierung|Hauptseite}} Artikelinhalt“

Neue Seite

{{Nav|Navigation|Kognitive Modellierung|Hauptseite}}
Artikelinhalt