Lineārā regresija salīdzinājumā ar vairāku regresiju: pārskats
Regresijas analīze ir izplatīta statistikas metode, ko izmanto finansēs un ieguldījumos. Lineārā regresija ir viena no izplatītākajām regresijas analīzes metodēm. Daudzkārtējā regresija ir plašāka regresiju grupa, kas ietver lineāru un nelineāru regresijas ar vairākiem skaidrojošiem mainīgajiem.
Regresija kā rīks palīdz apkopot datus, lai palīdzētu cilvēkiem un uzņēmumiem pieņemt apzinātus lēmumus. Regresijā ir dažādi mainīgie, ieskaitot atkarīgo mainīgo - galveno mainīgo, kuru jūs mēģināt saprast, un neatkarīgu mainīgo - faktorus, kas var ietekmēt atkarīgo mainīgo.
Lai regresijas analīze darbotos, jums ir jāapkopo visi attiecīgie dati. To var attēlot diagrammā ar x asi un y asi.
Ir vairāki galvenie iemesli, kāpēc cilvēki izmanto regresijas analīzi:
- Paredzēt nākotnes ekonomiskos apstākļus, tendences vai vērtībasLai noteiktu attiecības starp diviem vai vairākiem mainīgiem lielumiemLai saprastu, kā mainās viens mainīgais, mainoties citam
Ir daudz dažādu regresijas analīzes veidu. Šī raksta vajadzībām mēs aplūkosim divus: lineārā regresija un daudzkārtējā regresija.
Lineārā regresija
To sauc arī par vienkāršu lineāru regresiju. Tas nosaka attiecību starp diviem mainīgajiem, izmantojot taisnu līniju. Lineārā regresija mēģina novilkt līniju, kas ir vistuvāk datiem, atrodot slīpumu un pārtveršanu, kas nosaka līniju un samazina regresijas kļūdas.
Ja diviem vai vairākiem skaidrojošiem mainīgajiem ir lineāra saistība ar atkarīgo mainīgo, regresiju sauc par daudzkārtēju lineāru regresiju.
Daudzas datu attiecības neiet taisni, tāpēc statistiķi to vietā izmanto nelineāru regresiju. Abas ir līdzīgas, jo abas grafiski izseko konkrētai reakcijai no mainīgo kopas. Bet nelineārie modeļi ir sarežģītāki nekā lineārie modeļi, jo funkcija tiek radīta, izmantojot virkni pieņēmumu, kas var izrietēt no izmēģinājumiem un kļūdām.
Vairākkārtēja regresija
Retos gadījumos atkarīgais mainīgais tiek izskaidrots tikai ar vienu mainīgo. Šajā gadījumā analītiķis izmanto vairāku regresiju, kas mēģina izskaidrot atkarīgo mainīgo, izmantojot vairāk nekā vienu neatkarīgu mainīgo. Vairākas regresijas var būt lineāras un nelineāras.
Vairāku regresiju pamatā ir pieņēmums, ka pastāv atkarība starp atkarīgajiem un neatkarīgajiem mainīgajiem. Tas arī neuzņemas būtisku korelāciju starp neatkarīgajiem mainīgajiem.
Kā minēts iepriekš, regresijas analīzes izmantošanai ir vairākas atšķirīgas priekšrocības. Šos modeļus var izmantot uzņēmumi un ekonomisti, lai palīdzētu pieņemt praktiskus lēmumus.
Uzņēmums var ne tikai izmantot regresijas analīzi, lai izprastu noteiktas situācijas, piemēram, kāpēc klientu apkalpošanas zvani tiek pārtraukti, bet arī veikt tālredzīgas prognozes, piemēram, pārdošanas rādītājus nākotnē, un pieņemt svarīgus lēmumus, piemēram, īpašus pārdošanas un paaugstināšanas piedāvājumus.
Lineārā regresija salīdzinājumā ar vairāku regresiju: piemērs
Apsveriet analītiķi, kurš vēlas izveidot lineāru saikni starp uzņēmuma akciju cenu ikdienas izmaiņām un citiem skaidrojošiem mainīgajiem, piemēram, ikdienas tirdzniecības apjoma izmaiņām un tirgus ienesīguma ikdienas izmaiņām. Ja viņš veic regresiju ar ikdienas izmaiņām uzņēmuma akciju cenās kā atkarīgu mainīgo un ikdienas izmaiņām tirdzniecības apjomā kā neatkarīgu mainīgo, tas būtu vienkāršas lineāras regresijas piemērs ar vienu skaidrojošu mainīgo.
Ja analītiķis pievieno ikdienas regresijas izmaiņas tirgus atdevei, tā būtu daudzkārtēja lineārā regresija.
Taustiņu izņemšana
- Regresijas analīze ir izplatīta statistikas metode, ko izmanto finansēs un ieguldījumos. Lineārā regresija ir viena no izplatītākajām regresijas analīzes metodēm. Daudzkārtējā regresija ir plašāka regresiju grupa, kas ietver lineāru un nelineāru regresijas ar vairākiem skaidrojošiem mainīgajiem.
