Regresja liniowa a regresja wielokrotna: jaka jest różnica?
Regresja liniowa a regresja wielokrotna: przegląd
Analiza regresji jest popularną metodą statystyczną stosowaną w inwestycjach. Regresja liniowa jest jedną z najpopularniejszych technik analizy regresji. Regresja wieloraka to szersza klasa regresji obejmująca regresje liniowe i nieliniowe z wieloma zmiennymi objaśniającymi.
Regresja jako narzędzie pomaga gromadzić dane, aby pomóc ludziom i firmom podejmować świadome decyzje. W regresji biorą udział różne zmienne, w tym zmienna zależna – główna zmienna, którą próbujesz zrozumieć – oraz zmienna niezależna – czynniki, które mogą mieć wpływ na zmienną zależną.
Aby analiza regresji działała, musisz zebrać wszystkie istotne dane. Można to przedstawić na wykresie z osiami X i Y.
Istnieje kilka głównych powodów, dla których ludzie używają analizy regresji:
- Aby przewidzieć przyszłe warunki gospodarcze, trendy lub wartości
- Określenie związku między dwiema lub więcej zmiennymi
- Zrozumieć, jak zmienia się jedna zmienna, gdy zmienia się inna
Istnieje wiele różnych rodzajów analizy regresji. Na potrzeby tego artykułu przyjrzymy się dwóm: regresji liniowej i regresji wielokrotnej.
Regresja liniowa
Nazywa się to również prostą regresją liniową. Ustanawia związek między dwiema zmiennymi za pomocą linii prostej. Regresja liniowa próbuje narysować linię, która jest najbliższa danym, znajdując nachylenie i punkt przecięcia, które definiują linię i minimalizują błędy regresji.
Jeśli co najmniej dwie zmienne objaśniające mają liniową zależność ze zmienną zależną, regresja nazywana jest wielokrotną regresją liniową.
Wiele relacji danych nie przebiega po linii prostej, więc statystycy zamiast tego stosują regresję nieliniową. Oba są podobne, ponieważ oba śledzą określoną odpowiedź ze zbioru zmiennych graficznie. Ale modele nieliniowe są bardziej skomplikowane niż modele liniowe, ponieważ funkcja jest tworzona przez szereg założeń, które mogą wynikać z prób i błędów.
Wielokrotna regresja
Rzadko kiedy zmienną zależną można wyjaśnić tylko jedną zmienną. W tym przypadku analityk stosuje regresję wielokrotną, która próbuje wyjaśnić zmienną zależną za pomocą więcej niż jednej zmiennej niezależnej. Regresje wielokrotne mogą być liniowe i nieliniowe.
Regresje wielokrotne opierają się na założeniu, że istnieje liniowa zależność między zmiennymi zależnymi i niezależnymi. Zakłada również brak większej korelacji między zmiennymi niezależnymi.
Jak wspomniano powyżej, stosowanie analizy regresji ma kilka różnych zalet. Modele te mogą być wykorzystywane przez przedsiębiorstwa i ekonomistów do podejmowania praktycznych decyzji.
Firma może nie tylko korzystać z analizy regresji, aby zrozumieć pewne sytuacje, takie jak spadek liczby telefonów do obsługi klienta, ale także do prognozowania przyszłości, takich jak dane dotyczące sprzedaży w przyszłości, oraz do podejmowania ważnych decyzji, takich jak specjalne wyprzedaże i promocje.
Regresja liniowa a regresja wielokrotna: przykład
Weźmy pod uwagę analityka, który chce ustalić liniową zależność między dziennymi zmianami cen akcji firmy a innymi zmiennymi objaśniającymi, takimi jak dzienna zmiana wolumenu obrotu i dzienna zmiana zwrotów rynkowych. Gdyby przeprowadził regresję z dzienną zmianą cen akcji firmy jako zmienną zależną i dzienną zmianą wolumenu obrotu jako zmienną niezależną, byłby to przykład prostej regresji liniowej z jedną zmienną objaśniającą.
Gdyby analityk dodał do regresji dzienną zmianę zwrotów rynkowych, byłaby to wielokrotna regresja liniowa.
Kluczowe wnioski
- Analiza regresji jest popularną metodą statystyczną stosowaną w finansach i inwestycjach.
- Regresja liniowa jest jedną z najpopularniejszych technik analizy regresji.
- Regresja wieloraka to szersza klasa regresji obejmująca regresje liniowe i nieliniowe z wieloma zmiennymi objaśniającymi.