Linear Regression kumpara sa Maramihang Paghinang: Isang Pangkalahatang-ideya
Ang pagsusuri ng kalungkutan ay isang pangkaraniwang pamamaraan ng istatistika na ginagamit sa pananalapi at pamumuhunan. Ang linear regression ay isa sa mga pinakakaraniwang pamamaraan ng pagsusuri ng regresyon. Ang maraming regression ay isang mas malawak na klase ng mga regresyon na sumasaklaw sa mga linear at nonlinear regressions na may maraming mga variable na paliwanag.
Ang pagkadismaya bilang isang tool ay tumutulong sa mga data ng pool upang tulungan ang mga tao at kumpanya na gumawa ng mga napapasyang desisyon. Mayroong iba't ibang mga variable na naglalaro sa regression, kabilang ang isang dependant variable - ang pangunahing variable na sinusubukan mong maunawaan-at isang independiyenteng variable - mga kadahilanan na maaaring magkaroon ng epekto sa umaasang variable.
Upang makagawa ng trabaho sa pagtatasa ng regression, dapat mong kolektahin ang lahat ng may-katuturang data. Maaari itong iharap sa isang graph, na may isang x-axis at isang y-axis.
Mayroong maraming mga pangunahing kadahilanan na ginagamit ng mga tao ang pagsusuri ng regression:
- Upang mahulaan ang mga kalagayan sa pang-ekonomiyang hinaharap, mga uso, o mga halagaTo matukoy ang ugnayan sa pagitan ng dalawa o higit pang mga variableUpang maunawaan kung paano nagbabago ang isang variable kapag may nagbabago
Maraming iba't ibang mga uri ng pagsusuri ng regression. Para sa layunin ng artikulong ito, titingnan namin ang dalawa: linear regression at maraming regression.
Ang Linear Regression
Ito ay tinatawag ding simpleng linear regression. Itinataguyod nito ang ugnayan sa pagitan ng dalawang variable na gumagamit ng isang tuwid na linya. Ang mga linear na regression ay nagtatangkang gumuhit ng isang linya na pinakamalapit sa data sa pamamagitan ng paghahanap ng slope at pangharang na tukuyin ang linya at mabawasan ang mga error sa regression.
Kung ang dalawa o higit pang mga paliwanag na variable ay may isang magkakaugnay na kaugnayan sa umaasang variable, ang regression ay tinatawag na isang maramihang pagkakasunod na linerression.
Maraming mga ugnayan ng data ay hindi sumusunod sa isang tuwid na linya, kaya't ang mga istatistika ay gumagamit ng hindi liham na regression. Ang dalawa ay pareho sa parehong subaybayan ang isang partikular na tugon mula sa isang hanay ng mga variable na graphically. Ngunit ang mga nonlinear na modelo ay mas kumplikado kaysa sa mga linear na modelo dahil ang pag-andar ay nilikha sa pamamagitan ng isang serye ng mga pagpapalagay na maaaring magmula sa pagsubok at error.
Maramihang Pagsisisi
Ito ay bihirang na ang isang umaasang variable ay ipinaliwanag ng isang variable lamang. Sa kasong ito, ang isang analista ay gumagamit ng maraming regresyon, na sumusubok na ipaliwanag ang isang umaasang variable na gumagamit ng higit sa isang malayang variable. Ang maramihang mga regresyon ay maaaring maging linear at nonlinear.
Maramihang mga regresyon ay batay sa pag-aakala na mayroong isang magkahiwalay na ugnayan sa pagitan ng parehong umaasa at malayang variable. Hindi rin ipinapalagay na walang pangunahing ugnayan sa pagitan ng mga malayang variable.
Tulad ng nabanggit sa itaas, mayroong maraming iba't ibang mga pakinabang sa paggamit ng pagtatasa ng regression. Ang mga modelong ito ay maaaring magamit ng mga negosyo at ekonomista upang makatulong na gumawa ng mga praktikal na desisyon.
Ang isang kumpanya ay hindi lamang maaaring gumamit ng pagsusuri ng regresyon upang maunawaan ang ilang mga sitwasyon tulad ng kung bakit bumababa ang mga tawag sa serbisyo ng customer, ngunit din upang gumawa ng mga hinaharap na mga hula tulad ng mga numero ng benta sa hinaharap, at gumawa ng mga mahahalagang desisyon tulad ng mga espesyal na benta at promo.
Linear Regression kumpara sa Maramihang Paghinang: Halimbawa
Isaalang-alang ang isang analyst na nais na magtatag ng isang guhit na relasyon sa pagitan ng pang-araw-araw na pagbabago sa mga presyo ng stock ng kumpanya at iba pang mga variable na paliwanag tulad ng pang-araw-araw na pagbabago sa dami ng kalakalan at ang pang-araw-araw na pagbabago sa mga pagbabalik sa merkado. Kung nagpapatakbo siya ng isang regression sa pang-araw-araw na pagbabago sa mga presyo ng stock ng kumpanya bilang isang dependant variable at ang pang-araw-araw na pagbabago sa dami ng pangangalakal bilang isang independiyenteng variable, ito ay magiging isang halimbawa ng isang simpleng pagkakasunud-sunod na linear na may isang paliwanag na variable.
Kung idinagdag ng analista ang pang-araw-araw na pagbabago sa pagbabalik sa merkado sa pagbabalik sa regression, ito ay magiging isang maramihang linear regression.
Mga Key Takeaways
- Ang pagsusuri ng kalungkutan ay isang pangkaraniwang pamamaraan ng istatistika na ginagamit sa pananalapi at pamumuhunan. Ang linear regression ay isa sa mga pinakakaraniwang pamamaraan ng pagsusuri ng regresyon. Ang maraming regression ay isang mas malawak na klase ng mga regresyon na sumasaklaw sa mga linear at nonlinear regresyon na may maraming mga variable na paliwanag.
