Regresja liniowa a regresja wielokrotna: przegląd
Analiza regresji jest powszechną metodą statystyczną stosowaną w finansach i inwestycjach. Regresja liniowa jest jedną z najczęstszych technik analizy regresji. Regresja wielokrotna to szersza klasa regresji, która obejmuje regresje liniowe i nieliniowe z wieloma zmiennymi objaśniającymi.
Regresja jako narzędzie pomaga gromadzić dane razem, aby pomóc ludziom i firmom w podejmowaniu świadomych decyzji. W regresji występują różne zmienne, w tym zmienna zależna - główna zmienna, którą próbujesz zrozumieć - i zmienna niezależna - czynniki, które mogą mieć wpływ na zmienną zależną.
Aby analiza regresji działała, musisz zebrać wszystkie odpowiednie dane. Można go przedstawić na wykresie z osią xi osią y.
Istnieje kilka głównych powodów, dla których ludzie używają analizy regresji:
- Aby przewidzieć przyszłe warunki ekonomiczne, trendy lub wartości Aby określić związek między dwiema lub więcej zmiennymi Aby zrozumieć, jak jedna zmienna zmienia się, gdy inna się zmienia
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 dwie lub więcej zmiennych objaśniających ma związek liniowy ze zmienną zależną, regresja nazywana jest wielokrotną regresją liniową.
Wiele relacji danych nie przebiega po linii prostej, dlatego statystycy stosują zamiast tego regresję nieliniową. Oba są podobne, ponieważ oba graficznie śledzą określoną odpowiedź z zestawu zmiennych. Ale modele nieliniowe są bardziej skomplikowane niż modele liniowe, ponieważ funkcja jest tworzona na podstawie szeregu założeń, które mogą wynikać z prób i błędów.
Wielokrotna regresja
Rzadko zdarza się, że zmienna zależna jest wyjaśniona tylko przez jedną zmienną. W takim przypadku analityk stosuje regresję wielokrotną, która próbuje wyjaśnić zmienną zależną przy użyciu więcej niż jednej zmiennej niezależnej. Wiele regresji może być liniowych i nieliniowych.
Wielokrotne regresje oparte są na założeniu, że istnieje zależność liniowa między zmiennymi zależnymi i niezależnymi. Zakłada również brak istotnej korelacji między zmiennymi niezależnymi.
Jak wspomniano powyżej, istnieje kilka różnych zalet korzystania z analizy regresji. Modele te mogą być wykorzystywane przez firmy i ekonomistów, aby pomóc w podejmowaniu praktycznych decyzji.
Firma może nie tylko korzystać z analizy regresji, aby zrozumieć niektóre sytuacje, takie jak odrzucanie połączeń z obsługą klienta, ale także dokonywać prognoz prognozujących, takich jak dane dotyczące sprzedaży w przyszłości, oraz podejmować ważne decyzje, takie jak specjalne wyprzedaże i promocje.
Regresja liniowa a regresja wielokrotna: przykład
Zastanów się nad analitykiem, który chce ustalić liniowy związek między dzienną zmianą cen akcji spółki a innymi zmiennymi objaśniającymi, takimi jak dzienna zmiana wolumenu obrotu i dzienna zmiana zwrotów rynkowych. Jeśli przeprowadzi regresję z dzienną zmianą cen akcji spółki jako zmienną zależną i dzienną zmianą wolumenu obrotu jako zmienną niezależną, byłby to przykład prostej regresji liniowej z jedną zmienną objaśniającą.
Jeśli analityk doda dzienną zmianę zwrotów z rynku do regresji, będzie to regresja wielokrotna liniowa.
Kluczowe dania na wynos
- Analiza regresji jest powszechną metodą statystyczną stosowaną w finansach i inwestycjach. Regresja liniowa jest jedną z najczęstszych technik analizy regresji. Regresja wielokrotna to szersza klasa regresji, która obejmuje regresje liniowe i nieliniowe z wieloma zmiennymi objaśniającymi.
