Regressio (merkitys, tyypit) Mikä on regressioanalyysi?

Mikä on regressio?

Regressioanalyysi on tilastopohjainen mittaus, jota käytetään rahoituksessa, sijoittamisessa jne. Ja jonka tarkoituksena on luoda suhde riippuvaisen muuttujan ja muiden itsenäisten muuttujien sarjojen välille.

Selitykset

• Oletetaan selittävän regressioanalyysi maallikon termillä, jos yrityksen myyntipäällikkö yrittää kovasti ennustaa seuraavan kuukauden myyntiä. Tuotteen myyntiin vaikuttavat lukuisat tekijät, säästä kilpailijan uuteen strategiaan, festivaaliin ja kuluttajien elämäntavan muutokseen.
• Tämä on tapa sovittaa yhteen useita myyntiin vaikuttavia tekijöitä, joilla on suurin vaikutus. Se voi auttaa vastaamaan moniin kysymyksiin, kuten mitkä ovat tärkeimmät tekijät, mitkä tekijät ovat vähemmän tärkeitä, mikä on näiden tekijöiden suhde ja mikä tärkeintä, mikä on näiden tekijöiden vakuus.
• Näitä tekijöitä kutsutaan muuttujiksi. Tärkeintä tekijää, jota yritämme ennustaa, kutsutaan riippuvaksi muuttujaksi, ja muita tekijöitä, joilla on vaikutusta riippuvaan muuttujaan, kutsutaan riippumattomiksi muuttujiksi.

Kaava

Yksinkertainen lineaarinen regressioanalyysi Excelissä voidaan ilmaista alla olevana kaavana, ja se mittaa riippuvan muuttujan ja yhden riippumattoman muuttujan välistä suhdetta.

Y = a + bX + ϵ

Tässä:

• Y - riippuva muuttuja
• X - Itsenäinen (selittävä) muuttuja
• a - Kuuntele
• b - Kaltevuus
• ϵ - jäännös (virhe)

Kuinka tulkita regressioanalyysiä?

Tämä voidaan tulkita olettamalla yksinkertainen skenaario. Tässä otamme huutokaupassa olevien antiikkiesineiden hintojen ja niiden ikän välisen suhteen. Mitä enemmän antiikki vanhenee, sitä enemmän hinta se saa. Olettaen, että olemme asettaneet tietoja viimeisimmistä huutokaupatuista 50 tuotteesta, voimme ennustaa, mitkä tulevat tulevat huutokaupan hinnat perustuvat kohteen ikään. Näiden tietojen avulla voimme rakentaa regressioyhtälön.

Regressiokaava, jolla voidaan määrittää suhde iän ja hinnan välillä, on seuraava:

y = β0 + β1 x + -virhe

• Tässä riippuva tekijä on Y. Y edustaa jokaisen huutokaupattavan kohteen hintaa, kun taas riippumaton tekijä on X, joka määrää iän.
• Parametrit β0 ja β1 ovat parametreja, joita ei tunneta ja jotka arvioidaan yhtälöllä.
• β0 on vakio, jota käytetään määrittämään lineaarinen trendiviiva, joka sieppaa Y-akselin.
• β1 on vakio, joka osoittaa riippuvan muuttujan arvon muutoksen suuruuden riippumattomille muuttujille tarkoitetun muutoksen liittyvänä funktiona.
• Tätä kutsutaan periaatteessa yhtälön kaltevuudeksi. Kun kaltevuus on vuoraus, se tarkoittaa, että iän ja hinnan välillä on suhteellinen suhde, ja missä kaltevuus on käänteinen, se tarkoittaa välillisesti suhteellista.
• Virhe voidaan määritellä melua tai vaihtelua kohde muuttuja ja on luonteeltaan satunnaista.

Todellisia esimerkkejä regressioanalyysistä

Oletetaan, että meidän on luotava suhde tapahtuneen myynnin ja tuotteeseen liittyvään mainontaan käytetyn määrän välillä.

Voimme yleensä havaita positiivisen suhteen myyntimäärän ja mainontaan käytetyn määrän välillä. Yhdessä lineaarisen regressioyhtälön kanssa olemme saaneet:

Y = a + bX

Oletetaan, että saamme arvon muodossa

Y = 500 + 30X

Tuloksen tulkinta:

Ennustettu kaltevuus 30 auttaa meitä tekemään johtopäätöksen, että keskimääräinen myynti kasvaa 30 dollaria vuodessa, kun mainontaan käytettävät kulut kasvavat.

Regressioanalyysin tyypit

# 1 - Lineaarinen

Tämä voidaan ilmaista alla olevana kaavana, ja se mittaa riippuvan muuttujan ja yhden riippumattoman muuttujan välistä suhdetta.

# 2 - Polynomi

Tässä menetelmässä analyysia käytetään yksittäisten riippuvien tekijöiden ja useiden riippumattomien muuttujien välisen suhteen mittaamiseen.

# 3 - logistinen

Tässä riippuva tekijä tai muuttuja on luonteeltaan binäärinen. Riippumattomat muuttujat voivat olla jatkuvia tai binaarisia. Monikokoisessa logistisessa regressiossa meillä on varaa olla enemmän kuin kaksi luokkaa valitessamme itsenäinen muuttujamme.

# 4 - Kvantiili

Tämä on additiivinen käsite lineaarisesta regressiosta ja sitä käytetään ensisijaisesti silloin, kun tiedoissa on poikkeavuuksia ja vinoutta.

# 5 - Joustava verkko

Tämä on hyödyllistä, kun käsitellään erittäin korkeita korreloivia riippumattomia muuttujia.

# 6 - Pääkomponenttien regressio (PCR)

Tämä on tekniikka, jota voidaan käyttää, kun tiedoissa on liian paljon itsenäisiä muuttujia tai monikollinaarisuus

# 7 - osittaiset vähiten neliöt (PLS)

Se on päinvastaisen menetelmän menetelmä, jossa riippumattomat muuttujat korreloivat voimakkaasti. Sitä voidaan käyttää myös silloin, kun on olemassa monia itsenäisiä muuttujia.

# 8 - Tukivektori

Tämä voi tarjota ratkaisun lineaarisille ja epälineaarisille malleille. Se käyttää epälineaarisia ytintoimintoja optimaalisen ratkaisun löytämiseksi ei-lineaarisille malleille.

# 9 - järjestysnumero

Sitä voidaan käyttää järjestettyjen arvojen ennustamiseen. Pohjimmiltaan se sopii, kun riippuva muuttuja on luonteeltaan järjestysnumero

# 10 - Poisson

Tämä on käytettävissä, kun riippuvalla muuttujalla on laskentatiedot.

# 11 - Negatiivinen binomi

Laskentatietojen hallintaan voidaan soveltaa myös vain sitä, että negatiivinen binomiregressio ei oleta lukumäärän jakaumaa, jonka varianssi on yhtä suuri kuin keskiarvo, kun taas Poissonin regressio olettaa varianssin olevan keskiarvonsa mukainen.

# 12 - Quasi Poisson

Se korvaa negatiivisen binomisen regression. Sitä sovelletaan myös hajautettuihin laskentatietoihin. Kvasi-Poisson-mallin varianssi on keskiarvon lineaarinen funktio, kun taas negatiivisen binomimallin varianssi on neliön keskiarvofunktio.

# 13 - Cox

Sitä käytetään enemmän aika-tapahtumaan-tietojen analysointiin.

Ero regressiossa ja korrelaatiossa

• Regressio muodostaa riippumattoman varianssin ja riippuvan muuttujan välisen suhteen, jos molemmat muuttujat ovat erilaiset, kun taas korrelaatio määrittää kahden muuttujan assosiaation tai riippuvuuden, jos molempien muuttujien välillä ei ole eroa.
• Regressioiden päätavoitteena on luoda linja parhaiten sopivaksi ja yhden muuttujan estimointi tehdään muiden perusteella, kun taas korrelaatiossa osoitetaan kahden muuttujan välinen lineaarinen suhde.
• Tässä arvioimme tunnistetun muuttujan (X) tietyn muutoksen suuruuden arvioidussa muuttujassa (Y), kun taas korrelaatiossa kerrointa käytetään mittaamaan, missä määrin nämä kaksi muuttujaa liikkuvat yhdessä.
• Se on prosessi, jolla estimoidaan satunnaisesti riippumattomien muuttujien suuruus staattisesta riippuvaisesta muuttujasta, kun taas korrelaatio auttaa meitä päättämään tietystä arvosta ilmaisemaan molempien muuttujien välisen riippuvuuden.

Johtopäätös

• Regressioanalyysi käyttää ensisijaisesti tietoja kahden tai useamman muuttujan välisen suhteen luomiseen. Tässä oletetaan, että menneisyydessä olemassa olevat suhteet heijastuvat myös nykyisyydessä tai tulevaisuudessa. Harvat pitävät tätä aikaviivana menneisyyden ja nykyisyyden / tulevaisuuden välillä.
• Se on kuitenkin laajasti käytetty ennustus- ja arviointitekniikka. Vaikka siihen liittyy matematiikkaa, jonka monet käyttäjät saattavat pitää kovana, tekniikkaa on suhteellisen helppo käyttää, varsinkin kun mallia on saatavilla.