Більшість процедур оцінювання передбачає пошук параметрів, що мінімізують (або максимізують) деяку об'єктивну функцію. Наприклад, за допомогою OLS ми мінімізуємо суму залишків у квадраті. За допомогою максимальної оцінки ймовірності ми максимізуємо функцію вірогідності журналу. Різниця тривіальна: мінімізація може бути перетворена на максимізацію, використовуючи негатив цільової функції.
Іноді цю проблему можна вирішити алгебраїчно, виробляючи рішення закритої форми. За допомогою OLS ви вирішуєте систему умов першого замовлення та отримуєте звичну формулу (хоча для оцінки відповіді вам все ще потрібен комп'ютер). В інших випадках це математично неможливо, і вам потрібно шукати значення параметрів за допомогою комп'ютера. У цьому випадку більшу роль відіграють комп'ютер та алгоритм. Нелінійні найменші квадрати - один із прикладів. Ви не отримуєте явної формули; все, що ви отримуєте, - це рецепт, який вам потрібно виконати на комп’ютері. Рецепт може починатися з початкової здогадки про те, якими можуть бути параметри та як вони можуть змінюватися. Потім ви спробуєте різні комбінації параметрів і побачите, який з них дає вам найнижче / найвище значення функції. Це підхід грубої сили і займає тривалий час. Наприклад,105 комбінацій, і це просто ставить вас у сусідство правильної відповіді, якщо вам пощастить. Такий підхід називається пошук сітки.
Або ви можете почати з здогадки та вдосконалити цю здогадку в якомусь напрямку, поки поліпшення цільової функції не будуть меншими, ніж якесь значення. Зазвичай їх називають градієнтними методами (хоча є й інші, які не використовують градієнт для вибору в якому напрямку рухатися, як генетичні алгоритми та імітаційний відпал). Такі проблеми, як ця, гарантують, що ви швидко знайдете правильну відповідь (квадратичні цільові функції). Інші не дають такої гарантії. Ви можете переживати, що ви зациклювались на локальному, а не глобальному, оптимальному, тому ви спробуєте цілий ряд початкових здогадок. Ви можете виявити, що дико різні параметри дають вам однакове значення цільової функції, тому ви не знаєте, який набір вибрати.
Ось приємний спосіб отримати інтуїцію. Припустимо, у вас була проста модель експоненціальної регресії, де єдиним регресором є перехоплення:
E[y]=exp{α}
функцією є
QN(α)=−12N∑iN(yi−exp{α})2
З цією простою проблемою можливі обидва підходи. Розв’язок закритої форми, який ви отримуєте, беручи похідну, - . Ви також можете переконатися, що що-небудь інше дає вам більше значення цільової функції, включивши натомість . Якщо у вас були деякі регресори, аналітичне рішення виходить у вікно. ln ( ˉ y + k )α∗=lny¯ln(y¯+k)