Lineaarinen regressio vs. useita regressioita: yleiskatsaus
Regressioanalyysi on yleinen tilastollinen menetelmä, jota käytetään rahoituksessa ja sijoittamisessa. Lineaarinen regressio on yksi yleisimmistä regressioanalyysin tekniikoista. Moninkertainen regressio on laajempi regressioiden luokka, joka kattaa lineaariset ja epälineaariset regressiot useilla selittävillä muuttujilla.
Regressio työkaluna auttaa yhdistämään tietoja yhdessä auttaa ihmisiä ja yrityksiä tekemään tietoisia päätöksiä. Regressiossa on erilaisia muuttujia, mukaan lukien riippuvainen muuttuja - päämuuttuja, jonka yrität ymmärtää - ja riippumaton muuttuja - tekijät, joilla voi olla vaikutus riippuvaiseen muuttujaan.
Jotta regressioanalyysi toimisi, sinun on kerättävä kaikki asiaankuuluvat tiedot. Se voidaan esittää kuvaajana x-akselilla ja y-akselilla.
Regressioanalyysin käyttämiseen on useita tärkeimpiä syitä:
- Tulevien taloudellisten olosuhteiden, suuntausten tai arvojen ennustaminenKamman tai useamman muuttujan välisen suhteen määrittäminenYmmärtääksesi kuinka yksi muuttuja muuttuu, kun toinen muuttuu
Regressioanalyysiä on monia erilaisia. Tätä artikkelia varten tarkastelemme kahta: lineaarinen regressio ja moninkertainen regressio.
Lineaarinen regressio
Sitä kutsutaan myös yksinkertaiseksi lineaariseksi regressioksi. Se määrittelee kahden muuttujan välisen suhteen suoraviivaisesti. Lineaarisella regressiolla yritetään piirtää dataan lähinnä oleva viiva etsimällä viiva määrittelevä kaltevuus ja sieppaus, jotka minimoivat regressiovirheet.
Jos kahdella tai useammalla selittävällä muuttujalla on lineaarinen suhde riippuvaiseen muuttujaan, regressiota kutsutaan useita lineaarisia regressioita.
Monet tietosuhteet eivät seuraa suoraviivaista kuvaa, joten tilastotieteilijät käyttävät sen sijaan epälineaarista regressiota. Nämä kaksi ovat samanlaisia siinä mielessä, että molemmat seuraavat graafisesti tiettyä muuttujasarjan vastetta. Mutta epälineaariset mallit ovat monimutkaisempia kuin lineaariset mallit, koska toiminto luodaan oletussarjan kautta, joka voi johtua kokeilusta ja virheestä.
Moninkertainen regressio
On harvinaista, että riippuvainen muuttuja selitetään vain yhdellä muuttujalla. Tässä tapauksessa analyytikko käyttää useita regressioita, jotka yrittävät selittää riippuvaisen muuttujan käyttämällä useampaa kuin yhtä riippumatonta muuttujaa. Useat regressiot voivat olla lineaarisia ja epälineaarisia.
Useat regressiot perustuvat oletukseen, että sekä riippuvien että riippumattomien muuttujien välillä on lineaarinen suhde. Se ei myöskään oleta mitään merkittävää korrelaatiota riippumattomien muuttujien välillä.
Kuten edellä mainittiin, regressioanalyysin käytöllä on useita erilaisia etuja. Yritykset ja taloustieteilijät voivat käyttää näitä malleja käytännön päätösten tekemiseen.
Yhtiö ei voi vain käyttää regressioanalyysiä ymmärtääkseen tiettyjä tilanteita, kuten miksi asiakaspalvelupyynnöt menevät, vaan myös tehdä tulevaisuuteen suuntautuvia ennusteita, kuten myyntitiedot, ja tehdä tärkeitä päätöksiä, kuten erikoismyynti ja tarjoukset.
Lineaarinen regressio vs. useita regressioita: Esimerkki
Harkitse analyytikkoa, joka haluaa luoda lineaarisen suhteen yhtiön osakekurssien päivittäisen muutoksen ja muiden selittävien muuttujien, kuten päivittäisen kaupankäynnin määrän muutoksen ja päivittäisen tuoton muutoksen välillä. Jos hän suorittaa regression, jossa päivittäin muuttuvat yhtiön osakekurssit riippuvaisena muuttujana ja päivittäinen kaupankäynnin volyymin muutos itsenäisenä muuttujana, tämä olisi esimerkki yksinkertaisesta lineaarisesta regressiosta yhdellä selittävällä muuttujalla.
Jos analyytikko lisää päivittäisen markkinoiden tuoton muutoksen regressioon, se olisi moninkertainen lineaarinen regressio.
Avainsanat
- Regressioanalyysi on yleinen tilastollinen menetelmä, jota käytetään rahoituksessa ja sijoittamisessa. Lineaarinen regressio on yksi yleisimmistä regressioanalyysin tekniikoista. Moninkertainen regressio on laajempi regressioiden luokka, joka kattaa lineaariset ja epälineaariset regressiot useilla selittävillä muuttujilla.
