Regresi (Makna, Jenis) - Apa itu Analisis Regresi?

Isi kandungan

Apa itu Regresi?

Analisis Regresi adalah pengukuran berdasarkan statistik yang digunakan dalam kewangan, pelaburan, dll., Yang bertujuan untuk menjalin hubungan antara pemboleh ubah bersandar dan rangkaian pemboleh ubah bebas yang lain, dan fokus utama adalah menentukan kekuatan hubungan di atas.

Penjelasan

  • Untuk menjelaskan analisis regresi dalam istilah orang awam, mari kita anggap ketua penjualan syarikat berusaha keras untuk meramalkan penjualan bulan berikutnya. Terdapat banyak faktor yang terlibat yang mendorong penjualan produk, mulai dari cuaca hingga strategi baru pesaing, festival, dan perubahan gaya hidup pengguna.
  • Ini adalah kaedah menyelaraskan beberapa faktor yang mempengaruhi penjualan, yang merupakan faktor yang memberi kesan besar. Ini dapat membantu dalam menjawab banyak soalan seperti apakah faktor yang paling penting, faktor apa yang kurang penting, apa hubungan antara faktor ini, dan yang paling penting, apakah jaminan faktor-faktor ini.
  • Faktor-faktor ini dipanggil pemboleh ubah. Faktor utama yang kita cuba ramalkan disebut pemboleh ubah bersandar, dan faktor lain yang mempunyai kesan pada pemboleh ubah bersandar disebut pemboleh ubah bebas.

Formula

Analisis regresi linear sederhana dalam excel dapat dinyatakan seperti formula di bawah, dan mengukur hubungan antara pemboleh ubah bersandar dan satu pemboleh ubah bebas.

Y = a + bX + ϵ

Di sini:

  • Y - Pemboleh ubah bersandar
  • X - Pemboleh ubah bebas (penjelasan)
  • a - Memintas
  • b - Cerun
  • ϵ - Sisa (ralat)

Bagaimana Mentafsirkan Analisis Regresi?

Ini dapat ditafsirkan dengan mengandaikan senario sederhana. Di sini kami mengambil hubungan antara harga koleksi barang antik untuk lelong dan jangka masa usianya. Semakin lama barang antik semakin tua, semakin tinggi harganya. Dengan mengandaikan bahawa kami telah menetapkan data untuk 50 item terakhir yang telah dilelong, kami dapat meramalkan berapa harga lelang yang akan datang berdasarkan usia item tersebut. Dengan menggunakan data ini, kita dapat membina persamaan regresi.

Formula regresi yang dapat menetapkan hubungan antara usia dan harga adalah seperti berikut:

ralat y = β0 + β1 x +
  • Di sini faktor bergantung adalah Y. Y mewakili harga setiap item yang akan dilelong, sedangkan faktor bebas adalah X, yang menentukan usia.
  • Parameter β0 dan β1 adalah parameter yang tidak diketahui dan akan dianggarkan oleh persamaan.
  • β0 ialah pemalar yang digunakan untuk menentukan garis arah aliran memintas paksi-Y.
  • β1 ialah pemalar yang menunjukkan besarnya perubahan nilai pemboleh ubah bersandar sebagai fungsi berkaitan perubahan yang tersirat kepada pemboleh ubah tidak bersandar.
  • Ini pada dasarnya disebut cerun persamaan. Apabila lereng adalah pelapik, ini bermaksud ada hubungan yang sebanding antara usia dan harga, dan di mana cerun itu terbalik, itu bermaksud hubungannya tidak berkadar.
  • The ralat boleh ditakrifkan sebagai bunyi atau perubahan dalam pembolehubah sasaran dan adalah rawak dalam alam semula jadi.

Contoh Nyata Analisis Regresi

Anggaplah kita perlu menjalin hubungan antara penjualan yang telah berlaku dan jumlah yang dibelanjakan untuk iklan yang berkaitan dengan produk.

Secara amnya kita dapat melihat hubungan positif antara kuantiti penjualan dan jumlah yang dibelanjakan untuk pengiklanan. Dengan persamaan regresi linear sederhana, kita dapat:

Y = a + bX

Katakan kita mendapat nilai sebagai

Y = 500 + 30X

Tafsiran Hasil:

Kemerosotan 30 yang diramalkan dapat membantu kita membuat kesimpulan bahawa purata penjualan meningkat $ 30 setiap tahun apabila perbelanjaan untuk iklan meningkat.

Jenis Analisis Regresi

# 1 - Linear

Ini dapat dinyatakan sebagai formula di bawah, dan ia mengukur hubungan antara pemboleh ubah bersandar dan satu pemboleh ubah tidak bersandar.

# 2 - Polinomial

Dalam kaedah ini, analisis digunakan untuk mengukur hubungan antara faktor bersandar tunggal dan pelbagai pemboleh ubah bebas.

# 3 - Logistik

Di sini faktor bergantung atau pemboleh ubah bersifat binari. Pemboleh ubah bebas boleh selanjar atau binari. Dalam regresi logistik multinomial, kita mampu memiliki lebih daripada dua kategori sambil memilih pemboleh ubah bebas kita.

# 4 - Kuantil

Ini adalah konsep tambahan regresi linier dan digunakan terutamanya ketika outliers dan kecenderungan terdapat dalam data.

# 5 - Jaring Elastik

Ini berguna apabila seseorang mengendalikan pemboleh ubah bebas berkorelasi tinggi.

# 6 - Regresi Komponen Utama (PCR)

Ini adalah teknik yang dapat digunakan apabila terdapat terlalu banyak pemboleh ubah bebas atau multikolinieritas yang terdapat dalam data

# 7 - Petak Kurang Separa (PLS)

Ini adalah kaedah yang berlawanan dari komponen utama di mana kita mempunyai pemboleh ubah bebas yang sangat berkorelasi. Ia juga berlaku apabila terdapat banyak pemboleh ubah bebas.

# 8 - Vektor Sokongan

Ini dapat memberikan penyelesaian kepada model linear dan bukan linear. Ia menggunakan fungsi kernel tidak linier untuk mencari penyelesaian optimum untuk model bukan linier.

# 9 - Biasa

Ini berlaku untuk ramalan nilai peringkat. Pada asasnya, ia sesuai apabila pemboleh ubah bersandar adalah sifat semula jadi

# 10 - Poisson

Ini berlaku apabila pemboleh ubah bersandar mempunyai data kiraan.

# 11 - Binomial Negatif

Hal ini juga berlaku untuk menguruskan data kiraan hanya bahawa regresi binomial negatif tidak menganggap pengedaran kiraan mempunyai varians sama dengan minnya, sedangkan regresi Poisson menganggap varians sama dengan minnya.

# 12 - Kuasi Poisson

Ia adalah pengganti regresi binomial negatif. Ini juga berlaku untuk data kiraan tersebar. Varian model quasi-Poisson adalah fungsi linear dari min, sementara varians model binomial negatif adalah fungsi kuadratik dari min.

# 13 - Cox

Ia lebih berguna untuk menganalisis data masa ke peristiwa.

Perbezaan Antara Regresi dan Korelasi

  • Regresi menetapkan hubungan antara varians bebas dan pemboleh ubah bersandar di mana kedua pemboleh ubahnya berbeza, sedangkan korelasi menentukan perkaitan atau ketergantungan dua pemboleh ubah di mana tidak ada perbezaan antara kedua-dua pemboleh ubah tersebut.
  • Objektif utama regresi adalah untuk membuat garis yang paling sesuai dan anggaran satu pemboleh ubah dilakukan berdasarkan yang lain, sedangkan dalam korelasi menunjukkan hubungan linear antara dua pemboleh ubah.
  • Dalam ini, kami menganggarkan besarnya perubahan tertentu dalam pemboleh ubah yang diiktiraf (X) pada pemboleh ubah yang dianggarkan (Y), sedangkan, dalam korelasi, koefisien digunakan untuk mengukur sejauh mana kedua pemboleh ubah bergerak bersama.
  • Ini adalah proses menganggarkan besarnya pemboleh ubah bebas rawak berdasarkan besarnya pemboleh ubah bersandar statik, sedangkan korelasi membantu kita menentukan nilai tertentu untuk menyatakan saling ketergantungan antara kedua-dua pemboleh ubah.

Kesimpulannya

  • Analisis regresi terutamanya menggunakan data untuk mewujudkan hubungan antara dua atau lebih pemboleh ubah. Di sini diandaikan bahawa hubungan yang ada pada masa lalu juga akan dapat dilihat pada masa sekarang atau masa depan. Sedikit yang menganggap ini sebagai jeda masa antara masa lalu dan sekarang / masa depan.
  • Walau bagaimanapun, ia adalah teknik ramalan dan perkiraan yang banyak digunakan. Walaupun melibatkan matematik, yang mungkin sukar dilakukan oleh banyak pengguna, teknik ini mudah digunakan, terutamanya apabila model tersedia.

Artikel menarik...