Mikä on moninkertainen regressiokaava?
y = mx1 + mx2 + mx3 + bMoniregressiokaavaa käytetään riippuvien ja monien riippumattomien muuttujien välisen suhteen analysoinnissa, ja kaavaa edustaa yhtälö Y on yhtä suuri kuin plus bX1 plus cX2 plus dX3 plus E, jossa Y on riippuva muuttuja, X1, X2, X3 ovat riippumattomia muuttujia , a on sieppaus, b, c, d ovat kaltevuudet ja E on jäännösarvo.
Missä,
- Y = regressiosta riippuva muuttuja
- M = regressiokaltevuus
- X1 = regression ensimmäinen riippumaton muuttuja
- X2 = regression toinen riippumaton muuttuja
- X3 = regression kolmas riippumaton muuttuja
- B = vakio
Regressioanalyysikaavan selitys
Useat regressiot ovat menetelmä ennustamaan riippuvainen muuttuja kahden tai useamman itsenäisen muuttujan avulla. Tätä analyysiä suoritettaessa tutkijan päätarkoitus on selvittää riippuvan muuttujan ja riippumattomien muuttujien suhde. Riippuvan muuttujan ennustamiseksi valitaan useita itsenäisiä muuttujia, jotka voivat auttaa ennustamaan riippuvaa muuttujaa. Sitä käytetään, kun lineaarinen regressio ei kykene palvelemaan tarkoitusta. Regressioanalyysi auttaa vahvistamaan, ovatko ennustemuuttujat riittävän hyviä riippuvaisen muuttujan ennustamisessa.
Esimerkkejä
Esimerkki 1
Yritetään ymmärtää monen regressioanalyysin käsite esimerkin avulla. Yritetään selvittää, mikä on suhde UBER-kuljettajan kulkeman matkan, kuljettajan iän ja kuljettajan vuosien määrän välillä.
Voit laskea useita regressioita siirtymällä Data-välilehteen Excelissä ja valitsemalla sitten data-analyysivaihtoehdon. Lisätoimenpiteet ja laskelmat viittaavat annettuun artikkeliin täällä - Analysis ToolPak Excelissä
Edellä olevan esimerkin regressiokaava on
- y = MX + MX + b
- y = 604,17 * -3,18 + 604,17 * -4,06 + 0
- y = -4377
Tässä nimenomaisessa esimerkissä näemme, mikä muuttuja on riippuvainen muuttuja ja mikä muuttuja on riippumaton muuttuja. Riippuva muuttuja tässä regressioyhtälössä on UBER-kuljettajan kulkema etäisyys, ja riippumattomat muuttujat ovat kuljettajan ikä ja hänen kokemuksensa ajamisesta.
Esimerkki 2
Yritetään ymmärtää monen regressioanalyysin käsite toisen esimerkin avulla. Yritetään selvittää, mikä on suhde opiskelijaluokan GPA: n, oppituntien lukumäärän ja opiskelijoiden korkeuden välillä.
Laskenta tapahtuu siirtymällä Data-välilehteen Excelissä ja valitsemalla sitten data-analyysivaihtoehto.
Edellä olevan esimerkin regressioyhtälö on
y = MX + MX + b
y = 1,08 * 0,03 + 1,08 * -. 002 + 0
y = 0,025
Tässä nimenomaisessa esimerkissä näemme, mikä muuttuja on riippuvainen muuttuja ja mikä muuttuja on riippumaton muuttuja. Riippuva muuttuja tässä regressiossa on GPA, ja riippumattomat muuttujat ovat opiskelutunnit ja opiskelijoiden pituus.
Esimerkki 3
Yritetään ymmärtää monen regressioanalyysin käsite toisen esimerkin avulla. Yritetään selvittää, mikä on suhde organisaation työntekijäryhmän palkkaan, vuosien kokemukseen ja työntekijöiden ikään.
Laskenta tapahtuu siirtymällä Data-välilehteen Excelissä ja valitsemalla sitten data-analyysivaihtoehto.
Edellä olevan esimerkin regressioyhtälö on
- y = MX + MX + b
- y = 41308 * .- 71 + 41308 * -824 + 0
- y = -37019
Tässä nimenomaisessa esimerkissä näemme, mikä muuttuja on riippuvainen muuttuja ja mikä muuttuja on riippumaton muuttuja. Riippuva muuttuja tässä regressioyhtälössä on palkka, ja riippumattomat muuttujat ovat työntekijöiden kokemus ja ikä.
Osuvuus ja käyttö
Useat regressiot ovat erittäin hyödyllinen tilastollinen menetelmä. Regressiolla on erittäin tärkeä rooli rahoitusmaailmassa. Paljon ennustamista tehdään regressioanalyysillä. Esimerkiksi tietyn segmentin myynti voidaan ennustaa etukäteen makrotaloudellisten indikaattoreiden avulla, joilla on erittäin hyvä korrelaatio kyseisen segmentin kanssa.
