Регресија (значење, врсте) - Шта је регресиона анализа?

Шта је регресија?

Регресиона анализа је мерење засновано на статистикама које се користи у финансијама, инвестирању итд., А чији је циљ успостављање односа између зависне променљиве и других серија независних променљивих, а главни фокус је одређивање снаге горе наведеног односа.

Објашњења

• Да бисмо објаснили регресиону анализу у лаичком термину, претпоставимо да се шеф продаје компаније труди да предвиди продају за наредни месец. Укључени су бројни фактори који покрећу продају производа, почев од временских прилика до нове стратегије, фестивала и промене начина живота потрошача.
• Ово је метода усклађивања неколико фактора који утичу на продају, а који су ти који имају највећи утицај. Може вам помоћи у одговору на многа питања попут тога који су најважнији фактори, који су мање важни, какав је однос између ових фактора и што је најважније, која је сигурност ових фактора.
• Ови фактори се називају променљивим. Главни фактор који покушавамо да предвидимо назива се зависна променљива, а остали фактори који имају утицај на зависну променљиву називају се независним променљивим.

Формула

Једноставна линеарна регресијска анализа у екцелу може се изразити као следећа формула и она мери однос између зависне променљиве и једне независне променљиве.

И = а + бКс + ϵ

Овде:

• И - Зависна променљива
• Кс - Независна (објашњења) променљива
• а - Пресретање
• б - косина
• ϵ - остатак (грешка)

Како протумачити регресиону анализу?

То се може протумачити претпостављањем једноставног сценарија. Овде узимамо однос између цена антикне колекције на аукцији и трајања њеног доба. Што више антиквитет стари, то више добија цијену. Под претпоставком да смо поставили податке за последњих 50 предмета који су били на аукцији, можемо предвидети које ће бити будуће цене на аукцији на основу старости предмета. Користећи ове податке, можемо изградити регресиону једначину.

Формула регресије која може успоставити везу између старости и цене је следећа:

и = β0 + β1 к + грешка

• Овде је зависни фактор И. И представља цену сваког предмета који се продаје на аукцији, док је независни фактор Кс, који одређује старост.
• Параметри β0 и β1 су параметри који нису познати и процениће се једначином.
• β0 је константа која се користи за дефинисање линеарне линије тренда која пресијеца И-осу.
• β1 је константа која показује величину промене вредности зависне променљиве као повезану функцију промене која се подразумева на независне променљиве.
• Ово се у основи назива нагиб једначине. Када је нагиб подлога, то значи да постоји пропорционални однос између старости и цене, а тамо где је нагиб обрнут, значи да је однос индиректно пропорционалан.
• Грешка се може дефинисати као шум или варијације у циљној променљиве и је случајан по природи.

Примери регресионе анализе из стварног живота

Претпоставимо да морамо успоставити везу између продаје која се догодила и износа потрошеног на оглашавање у вези са производом.

Генерално можемо уочити позитивну везу између количине продаје и количине потрошене на оглашавање. Повезујући једноставну једначину линеарне регресије, добили смо:

И = а + бКс

Претпоставимо да добијемо вредност као

И = 500 + 30Кс

Тумачење резултата:

Предвиђени нагиб од 30 помаже нам да извучемо закључак да просечна продаја расте 30 УСД годишње како се повећава потрошња на рекламу.

Врсте регресионе анализе

# 1 - Линеарно

Ово се може изразити доњом формулом и мери однос између зависне променљиве и једне независне променљиве.

# 2 - Полином

У овој методи анализа се користи за мерење односа између појединачно зависних фактора и више независних променљивих.

# 3 - Логистичка

Овде је зависни фактор или променљива бинарне природе. Независне променљиве могу бити континуиране или бинарне. У мултиномној логистичкој регресији можемо себи приуштити више од две категорије док бирамо нашу независну променљиву.

# 4 - Квантил

Ово је адитивни концепт линеарне регресије и првенствено се користи када су у подацима присутни одступања и искривљеност.

# 5 - Еластична мрежа

Ово је корисно када се ради са врло високим корелираним независним променљивим.

# 6 - Регресија главних компонената (ПЦР)

Ово је техника која је применљива када у подацима постоји превише независних променљивих или ако постоји мултиколинеарност

# 7 - Делимични најмањи квадрати (ПЛС)

То је супротна метода главне компоненте где имамо независне променљиве у високој корелацији. Такође је применљиво када постоји много независних променљивих.

# 8 - Вектор подршке

Ово може пружити решење за линеарне и нелинеарне моделе. Користи нелинеарне функције језгра за проналажење оптималног решења за нелинеарне моделе.

# 9 - Редни

Применљив је на предвиђање рангираних вредности. У основи је погодно када је зависна променљива редне природе

# 10 - Поиссон

Ово је применљиво када зависна променљива има податке о бројању.

# 11 - Негативни бином

Такође је применљиво за управљање подацима о бројању само да негативна биномна регресија не претпоставља дистрибуцију броја која има варијансу једнаку његовој средњој вредности, док Поиссонова регресија претпоставља варијансу једнаку његовој средњој вредности.

# 12 - Квази Поиссон

То је замена за негативну биномну регресију. Такође се примењује на распршене податке о бројању. Варијанса квази-пуасоновог модела је линеарна функција средње вредности, док је варијанса негативног биномног модела квадратна функција средње вредности.

# 13 - Кокс

Више се користи за анализу података о времену до догађаја.

Разлика између регресије и корелације

• Регресија успоставља везу између независне варијансе и зависне променљиве где су обе променљиве различите, док корелација одређује повезаност или зависност две променљиве тамо где не постоји разлика између обе променљиве.
• Главни циљ регресије је створити линију која најбоље одговара и процена једне променљиве врши се на основу других, док у корелацији показује линеарни однос између две променљиве.
• У овоме процењујемо величину одређене промене у препознатој променљивој (Кс) на процењеној променљивој (И), док се, у корелацији, коефицијент користи за мерење у којој мери се две променљиве крећу заједно.
• То је процес процене величине случајних независних променљивих на основу величине статички зависне променљиве, док нам корелација помаже да одредимо одређену вредност да изразимо међузависност између обе променљиве.

Закључак

• Регресијска анализа првенствено користи податке како би се успоставила веза између две или више променљивих. Овде се претпоставља да ће се односи који су постојали у прошлости такође одражавати у садашњости или будућности. Мало ко ово сматра временским одмаком између прошлости и садашњости / будућности.
• Међутим, то је широко коришћена техника предвиђања и процене. Иако укључује математику, која би многим корисницима могла бити тешка, техника се релативно лако користи, посебно када је модел доступан.