Suprasti linijinę regresiją vs. Daugkartinė regresija
Tiesinė regresija vs. Kelios regresijos: apžvalga
Regresinė analizė yra įprastas statistinis metodas, naudojamas finansai ir investuojant. Tiesinė regresija yra viena iš labiausiai paplitusių metodų regresija analizė. Daugialypė regresija yra platesnė regresijos klasė, apimanti tiesines ir netiesines regresijas su keliais aiškinamaisiais kintamaisiais.
Regresija kaip priemonė padeda sujungti duomenis, kad padėtų žmonėms ir įmonėms priimti pagrįstus sprendimus. Regresijoje yra įvairių kintamųjų, įskaitant priklausomą kintamąjį - pagrindinį kintamąjį jūs bandote suprasti - ir nepriklausomą kintamąjį - veiksnius, kurie gali turėti įtakos išlaikytiniui kintamasis.
Kad regresinė analizė veiktų, turite surinkti visus reikiamus duomenis. Jis gali būti pateiktas grafike su x ašimi ir y ašimi.
Yra keletas pagrindinių priežasčių, kodėl žmonės naudoja regresinę analizę:
- Numatyti būsimas ekonomines sąlygas, tendencijas ar vertybes
- Norint nustatyti ryšį tarp dviejų ar daugiau kintamųjų
- Norėdami suprasti, kaip keičiasi vienas kintamasis, kai keičiasi kitas
Yra daug skirtingų regresijos analizės rūšių. Šiame straipsnyje apžvelgsime du: tiesinę ir daugkartinę regresiją.
Tiesinė regresija
Jis taip pat vadinamas paprasta linijine regresija. Jis nustato ryšį tarp dviejų kintamųjų, naudojant tiesią liniją. Linijinė regresija bando nubrėžti liniją, kuri yra arčiausiai duomenų, nustatydama nuolydį ir perėmimą, kuris apibrėžia liniją ir sumažina regresijos klaidas.
Jei du ar daugiau aiškinamųjų kintamųjų turi tiesinį ryšį su priklausomu kintamuoju, regresija vadinama a daugkartinė tiesinė regresija.
Daugelis duomenų santykių nesilaiko tiesios linijos, todėl statistikai naudoja netiesinė regresija vietoj to. Abu jie yra panašūs tuo, kad abu grafiškai seka tam tikrą atsaką iš kintamųjų rinkinio. Tačiau netiesiniai modeliai yra sudėtingesni nei linijiniai modeliai, nes funkcija sukurta remiantis daugybe prielaidų, kurios gali kilti dėl bandymų ir klaidų.
Daugkartinė regresija
Retas atvejis, kai priklausomas kintamasis paaiškinamas tik vienu kintamuoju. Šiuo atveju analitikas naudoja daugybinę regresiją, kuri bando paaiškinti priklausomą kintamąjį, naudodama daugiau nei vieną nepriklausomą kintamąjį. Kelios regresijos gali būti tiesinės ir netiesinės.
Daugybė regresijų yra pagrįstos prielaida, kad tarp priklausomų ir nepriklausomų kintamųjų yra tiesinis ryšys. Ji taip pat neprisiima jokios didelės koreliacijos tarp nepriklausomų kintamųjų.
Kaip minėta aukščiau, regresinės analizės naudojimas turi keletą skirtingų pranašumų. Šiuos modelius gali naudoti įmonės ir ekonomistai, padedantys priimti praktinius sprendimus.
Bendrovė gali ne tik naudoti regresinę analizę, kad suprastų tam tikras situacijas, pvz., Kodėl klientų aptarnavimo skambučiai mažėja, bet taip pat numatyti į ateitį orientuotas prognozes, pavyzdžiui, pardavimo rodiklius ateityje, ir priimti svarbius sprendimus, tokius kaip specialūs pardavimai ir akcijos.
Tiesinė regresija vs. Daugialypė regresija: pavyzdys
Apsvarstykite analitiką, kuris nori nustatyti tiesinį ryšį tarp kasdienio bendrovės akcijų kainų pokyčio ir kitų aiškinamųjų kintamųjų, pvz., prekybos apimtis ir kasdienis rinkos grąžos kitimas. Jei jis atlieka regresiją, kai kasdieninis bendrovės akcijų kainų pokytis yra priklausomas kintamasis ir dienos pokytis prekybos apimtis kaip nepriklausomas kintamasis, tai būtų paprastos tiesinės regresijos su vienu paaiškinimu pavyzdys kintamasis.
Jei analitikas prie regresijos pridėtų kasdienius rinkos grąžos pokyčius, tai būtų daugkartinė tiesinė regresija.
Pagrindiniai išsinešimai
- Regresinė analizė yra įprastas finansų ir investicijų statistinis metodas.
- Linijinė regresija yra vienas iš labiausiai paplitusių regresijos analizės metodų.
- Daugialypė regresija yra platesnė regresijos klasė, apimanti tiesines ir netiesines regresijas su keliais aiškinamaisiais kintamaisiais.
