Regressioanalyysi on lähestymistapa, jolla tunnistetaan ja analysoidaan yhden tai useamman riippumattoman ja yhden tai useamman riippumattoman tekijän välistä yhteyttä. muuttujat ja riippuvainen muuttuja. Menetelmää käytetään laajalti monilla tieteenaloilla, kuten terveydenhuollossa ja yhteiskuntatieteissä, suunnittelu, taloustiede ja liiketoiminta. Regressioanalyysin avulla voit tutkia tietojen perussuhteita ja kehittää ennustemalleja, jotka auttavat sinua tekemään perusteltuja päätöksiä.
Tässä artikkelissa annetaan kattava yleiskatsaus regressioanalyysiin, mukaan lukien sen toiminta, helppotajuinen esimerkki ja selitetään, miten se eroaa korrelaatioanalyysistä.
Mikä on regressioanalyysi?
Regressioanalyysi on tilastollinen menetelmä, jolla tunnistetaan ja kvantifioidaan riippuvan muuttujan ja yhden tai useamman riippumattoman muuttujan välinen yhteys. Pähkinänkuoressa se auttaa ymmärtämään, miten yhden tai useamman riippumattoman muuttujan muutokset liittyvät riippuvan muuttujan muutoksiin.
Jotta ymmärtäisit regressioanalyysin perusteellisesti, sinun on ensin ymmärrettävä seuraavat termit:
- Riippuvainen muuttuja: Tämä on muuttuja, jonka analysoinnista tai ennustamisesta olet kiinnostunut. Se on tulosmuuttuja, jota yrität ymmärtää ja selittää.
- Riippumattomat muuttujat: Nämä ovat muuttujia, joiden uskot vaikuttavan riippuvaiseen muuttujaan. Niitä kutsutaan usein ennustemuuttujiksi, koska niiden avulla ennustetaan tai selitetään riippuvaisen muuttujan muutoksia.
Regressioanalyysiä voidaan käyttää monissa eri tilanteissa, kuten riippuvan muuttujan tulevien arvojen ennustamisessa, riippumattomien muuttujien vaikutuksen ymmärtämisessä riippuvaan muuttujaan ja poikkeavien tai epätavallisten tapausten löytämisessä tiedonkeruussa.
Regressioanalyysi voidaan luokitella useisiin tyypit, mukaan lukien yksinkertainen lineaarinen regressio, logistinen regressio, polynomiregressio ja moninkertainen regressio. Sopiva regressiomalli määräytyy seuraavasti luonto tietojen ja tutkimuksen kohteena olevan aiheen osalta.
Miten regressioanalyysi toimii?
Regressioanalyysin tarkoituksena on tunnistaa parhaiten sopiva viiva tai käyrä, joka kuvastaa riippumattomien muuttujien ja riippuvan muuttujan välistä yhteyttä. Tämä parhaiten sopiva viiva tai käyrä luodaan käyttämällä tilastollisia menetelmiä, jotka vähentävät eroja tiedonkeruun odotettujen ja todellisten arvojen välillä.
Seuraavassa on kahden yleisimmän regressioanalyysin kaavat:
Yksittäinen lineaarinen regressio
Yksinkertaisessa lineaarisessa regressiossa käytät parhaan sovitteen viivaa osoittamaan kahden muuttujan, riippumattoman muuttujan (x) ja riippuvan muuttujan (y), välistä suhdetta.
Parhaan sovitteen suora voidaan esittää yhtälöllä: y = a + bx.
Tässä a on leikkauspiste ja b on suoran kaltevuus. Kaltevuuden laskemiseksi käytetään kaavaa: b = (nΣ(xy) - ΣxΣy) / (nΣ(x2) - (Σx)2), jossa n on havaintojen lukumäärä, Σxy on x:n ja y:n tulon summa, Σx ja Σy ovat x:n ja y:n summia ja Σ(x2) on x:n neliöiden summa.
Lasketaan leikkauspiste kaavalla: a = (Σy - bΣx) / n.
Moninkertainen regressio
Moninkertainen lineaarinen regressio:
Moninkertaisen lineaarisen regressiomallin yhtälön kaava on:
y = b0 + b1x1 + b2x2 + ... + bnxn
jossa y on riippuvainen muuttuja, x1, x2, ..., xn ovat riippumattomia muuttujia ja b0, b1, b2, ..., bn ovat riippumattomien muuttujien kertoimet.
Kaava kertoimien estimoimiseksi käyttäen tavallisia pienimpiä neliöitä on seuraava:
β = (X'X)(-1)X'y
jossa β on kertoimien pylväsvektori, X on riippumattomien muuttujien suunnittelumatriisi, X' on X:n transponointi ja y on riippuvan muuttujan havaintojen vektori.
Regressioanalyysi Esimerkki
Oletetaan, että haluat tutkia yksilön keskiarvon ja viikoittaisen opiskelumäärän välistä yhteyttä. Keräät tietoja joukosta opiskelijoita, mukaan lukien opiskelutuntien määrä ja arvosanojen keskiarvo.
Käytä sitten regressioanalyysia nähdessäsi, onko molempien muuttujien välillä lineaarinen yhteys, ja jos on, voit rakentaa mallin, joka ennustaa opiskelijan keskiarvon viikoittaisen opiskelumäärän perusteella.
Kun tiedot piirretään hajontakartalle, näyttää siltä, että opiskelutuntien ja keskiarvon välillä on suotuisa lineaarinen yhteys. Tämän jälkeen estimoidaan parhaan sovitussuoran kaltevuus ja leikkauspiste yksinkertaisen lineaarisen regressiomallin avulla. Lopullinen ratkaisu voisi näyttää seuraavalta:
GPA = 2,0 + 0,3 (opiskelutunnit viikossa).
Tämän yhtälön mukaan jokainen ylimääräinen opiskelutunti viikossa nostaa opiskelijan keskiarvoa 0,3 pistettä, kun kaikki muu on samanarvoista. Tätä algoritmia voidaan käyttää ennustamaan opiskelijan keskiarvoa sen perusteella, kuinka monta tuntia hän opiskelee viikossa, sekä tunnistamaan, mitkä opiskelijat ovat vaarassa alisuoriutua opiskelurutiiniensa perusteella.
Käyttämällä esimerkin tietoja saadaan seuraavat arvot b ja a ovat seuraavat:
n = 10 (havaintojen lukumäärä)
Σx = 30 (opiskelutuntien summa).
Σy = 25 (GPA-arvojen summa).
Σxy = 149 (opintotuntien ja keskiarvojen summa).
Σ(x)2 = 102 (opintotuntien neliöiden summa).
Laske näiden arvojen avulla b kuten:
b = (nΣ(xy) - ΣxΣy) / (nΣ(x2) - (Σx)2)
= (10 * 149 - 30 * 25) / (10 * 102 - 302)
= 0.3
Ja laske a kuten:
a = (Σy - bΣx) / n
= (25 - 0.3 * 30) / 10
= 2.0
Näin ollen parhaan sovitussuoran yhtälö on:
GPA = 2,0 + 0,3 (opiskelutunnit viikossa).
Mitä eroa on korrelaatiolla ja regressiolla?
Sekä korrelaatio että regressio ovat tilastollisia menetelmiä, joilla tutkitaan kahden muuttujan välistä yhteyttä. Ne palvelevat eri tarkoituksia ja tuottavat erityyppistä tietoa.
Korrelaatio on kahden muuttujan välisen yhteyden voimakkuuden ja kulun mitta. Se vaihtelee välillä -1-1, jolloin -1 tarkoittaa täydellistä negatiivista korrelaatiota, 0 ei korrelaatiota ja +1 täydellistä positiivista korrelaatiota. Korrelaatio osoittaa, missä määrin kaksi muuttujaa on yhteydessä toisiinsa, mutta se ei kerro syytä tai ennustettavuutta.
Regressio taas on menetelmä, jolla mallinnetaan kahden muuttujan välistä yhteyttä, yleensä yhden muuttujan ennustamiseksi tai selittämiseksi toisen muuttujan perusteella. Regressioanalyysillä voidaan tuottaa arvioita suhteen suuruudesta ja suunnasta sekä tilastollisia merkitys testit, luottamusvälit ja tulevaisuuden tulosennusteet.
Luomuksesi, valmiina muutamassa minuutissa
Mind the Graph on verkkoalusta, joka tarjoaa sinulle laajan kirjaston tieteellinen kuvitukset ja infografiikka malleja, joita voidaan yksinkertaisesti muokata vastaamaan yksilöllisiä tarpeitasi. Tee ammattimaisen näköisiä taulukoita, julisteita ja graafinen abstrakteja muutamassa minuutissa raahaa ja pudota -käyttöliittymän sekä monien työkalujen ja ominaisuuksien avulla.
![Regressioanalyysin käyttö monimutkaisten suhteiden ymmärtämiseksi](https://mindthegraph.com/blog/wp-content/uploads/2023/05/banco.gif)
Tilaa uutiskirjeemme
Eksklusiivista korkealaatuista sisältöä tehokkaasta visuaalisesta
tiedeviestintä.