Kas ir pakāpeniska regresija?
Regresijas analīze ir plaši izmantota statistikas pieeja, kuras mērķis ir noteikt sakarības starp mainīgajiem. Ideja ir apvienot attiecīgos datus, lai pieņemtu labāk apzinātus lēmumus, un tā ir ierasta prakse investīciju pasaulē. Pakāpeniska regresija ir pakāpeniska iteratīva regresijas modeļa konstruēšana, kas ietver neatkarīgu mainīgo automātisku atlasi. Statistisko programmatūras pakešu pieejamība ļauj veikt pakāpenisku regresiju pat modeļos ar simtiem mainīgo.
Pakāpeniskās regresijas veidi
Pakāpeniskās regresijas pamatmērķis ir ar virkni testu (F-testi, t-testi) atrast neatkarīgu mainīgo kopu, kas būtiski ietekmē atkarīgo mainīgo. Tas tiek darīts ar datoriem, izmantojot iterāciju, kas ir process, kurā nonāk pie rezultātiem vai lēmumiem, veicot atkārtotas analīzes kārtas vai ciklus. Automātiska testu veikšana ar statistikas programmatūras pakotņu palīdzību ir tā, ka tas ietaupa laiku indivīdam.
Taustiņu izņemšana
- Regresijas analīze ir statistiska pieeja, kuras mērķis ir izprast un izmērīt sakarības starp neatkarīgiem un atkarīgiem mainīgajiem. Pakāpeniski regresija ir metode, kas pārbauda katra modeļa neatkarīgā mainīgā statistisko nozīmīgumu. Provizoriskā atlases pieeja pievieno mainīgo un pēc tam pārbauda statistisko nozīmīgumu..Atpakaļejošās izslēgšanas metode sākas ar modeli, kurā tiek ielādēti daudzi mainīgie, un pēc tam noņem vienu mainīgo, lai pārbaudītu tā nozīmīgumu attiecībā pret kopējiem rezultātiem. Pakāpeniskai regresijai ir daudz kritiķu, jo tieši pieeja pieeja modelim iekļauj modeli, lai sasniegtu vēlamo rezultātu.
Pakāpenisku regresiju var sasniegt, izmēģinot vienu neatkarīgu mainīgo vienlaikus un iekļaujot to regresijas modelī, ja tas ir statistiski nozīmīgs, vai iekļaujot modelī visus potenciālos neatkarīgos mainīgos un izslēdzot tos, kas nav statistiski nozīmīgi. Daži izmanto abu metožu kombināciju, un tāpēc ir trīs pieejas pakāpeniskai regresijai:
- Iepriekšēja atlase sākas ar modeļa mainīgiem lielumiem, testē katru mainīgo, tiklīdz tas tiek pievienots modelim, pēc tam saglabā tos, kas tiek uzskatīti par statistiski nozīmīgākajiem, atkārtojot procesu, līdz rezultāti ir optimāli. Atgriezeniskā eliminācija sākas ar neatkarīgu mainīgo kopu, vienu reizi izdzēšot, pēc tam testējot, lai noskaidrotu, vai noņemtais mainīgais ir statistiski nozīmīgs. Divvirzienu eliminācija ir pirmo divu metožu kombinācija, kurā tiek pārbaudīts, kuri mainīgie jāiekļauj vai jāizslēdz.
Pakāpeniskas regresijas piemērs, izmantojot atgriezeniskās izslēgšanas metodi, būtu mēģinājums izprast enerģijas patēriņu rūpnīcā, izmantojot tādus mainīgos lielumus kā aprīkojuma darbības laiks, aprīkojuma vecums, personāla lielums, temperatūra ārpus telpām un gada laiks. Modelis ietver visus mainīgos - pēc tam katru atsevišķi noņem, lai noteiktu, kurš ir vismazāk statistiski nozīmīgais. Visbeidzot, modelis varētu parādīt, ka visnozīmīgākais ir gada laiks un temperatūra, iespējams, liekot domāt, ka maksimālais enerģijas patēriņš rūpnīcā ir tad, kad gaisa kondicionētāja lietojums ir visaugstākais.
Pakāpeniskās regresijas ierobežojumi
Regresijas analīze - gan lineārā, gan daudzdimensiju - mūsdienās tiek plaši izmantota investīciju pasaulē. Ideja bieži ir atrast pagātnes modeļus, kas varētu atkārtoties arī nākotnē. Piemēram, izmantojot vienkāršu lineāru regresiju, var aplūkot cenu un peļņas attiecības un krājumu atdevi daudzu gadu garumā, lai noteiktu, vai krājumi ar zemu P / E koeficientu (neatkarīgs mainīgais) piedāvā augstāku ienesīgumu (atkarīgs mainīgais). Šīs pieejas problēma ir tā, ka tirgus apstākļi bieži mainās un attiecības, kas pastāvēja pagātnē, ne vienmēr ir patiesas tagadnē vai nākotnē.
Tikmēr pakāpeniskās regresijas procesam ir daudz kritiķu, un ir pat aicinājumi pārtraukt metodes izmantošanu pavisam. Statistiķi atzīmē vairākus pieejas trūkumus, tostarp nepareizus rezultātus, raksturīgu novirzi pašā procesā un nepieciešamību pēc ievērojamas skaitļošanas jaudas, lai ar iterācijas palīdzību izveidotu sarežģītus regresijas modeļus.
