Ano ang Regression?
Ang pagkadismaya ay isang pagsukat sa istatistika na ginamit sa pananalapi, pamumuhunan, at iba pang mga disiplina na nagtatangkang matukoy ang lakas ng ugnayan sa pagitan ng isang variable na umaasa (karaniwang tinutukoy ng Y) at isang serye ng iba pang pagbabago ng variable (kilala bilang mga independiyenteng variable).
Ang kalungkutan ay tumutulong sa mga namamahala sa pamumuhunan at pinansyal upang pahalagahan ang mga pag-aari at maunawaan ang mga ugnayan sa pagitan ng mga variable, tulad ng mga presyo ng kalakal at mga stock ng mga negosyo na nakikipag-ugnay sa mga kalakal.
Pagkalungkot
Ipinaliwanag ang Regression
Ang dalawang pangunahing uri ng regression ay ang linear regression at maraming linear regression, bagaman mayroong mga non-linear regression na pamamaraan para sa mas kumplikadong data at pagsusuri. Ang linear regression ay gumagamit ng isang independiyenteng variable upang maipaliwanag o mahulaan ang kinalabasan ng umaasang variable Y, habang ang maraming regresyon ay gumagamit ng dalawa o higit pang independyenteng variable upang mahulaan ang kinalabasan.
Ang kalungkutan ay maaaring makatulong sa mga propesyonal sa pananalapi at pamumuhunan pati na rin ang mga propesyonal sa ibang mga negosyo. Ang kalungkutan ay maaari ring makatulong na mahulaan ang mga benta para sa isang kumpanya batay sa panahon, nakaraang benta, paglago ng GDP, o iba pang mga uri ng kundisyon. Ang modelo ng capital asset pagpepresyo (CAPM) ay isang madalas na ginagamit na modelo ng regression sa pananalapi para sa mga presyo ng pagpepresyo at pagtuklas ng mga gastos sa kapital.
Ang pangkalahatang anyo ng bawat uri ng regression ay:
- Pagkakasunud-sunod na pagkakasunud-sunod : Y = a + bX + u Maraming regresyon: Y = a + b 1 X 1 + b 2 X 2 + b 3 X 3 +… + b t X t + u
Kung saan:
- Y = ang variable na sinusubukan mong hulaan (depend variable).X = ang variable na iyong ginagamit upang mahulaan ang Y (independyenteng variable).a = ang intercept.b = ang slope.u = ang muling pagbuong muli.
Mayroong dalawang pangunahing uri ng regression: linear regression at maraming linear regression.
Ang kalungkutan ay tumatagal ng isang pangkat ng mga random na variable, naisip na hinuhulaan ang Y, at sinusubukan na makahanap ng isang matematiko na relasyon sa pagitan nila. Ang ugnayang ito ay karaniwang nasa anyo ng isang tuwid na linya (linear regression) na pinakamahusay na tinatayang lahat ng mga indibidwal na puntos ng data. Sa maraming regression, ang magkakahiwalay na variable ay naiiba sa pamamagitan ng paggamit ng mga numero na may mga subscription.
Mga Key Takeaways
- Ang kalungkutan ay tumutulong sa mga namamahala sa pamumuhunan at pinansyal upang pahalagahan ang mga pag-aari at maunawaan ang mga ugnayan sa pagitan ng mga variableAng pag-aalsa ay makakatulong sa mga propesyonal sa pananalapi at pamumuhunan pati na rin ang mga propesyonal sa ibang mga negosyo.
Isang Tunay na Daigdig na Halimbawa ng Paano Ginagamit ang Pagsusuri ng Regression
Ang kalungkutan ay madalas na ginagamit upang matukoy kung gaano karaming mga tiyak na kadahilanan tulad ng presyo ng isang bilihin, rate ng interes, partikular na industriya, o sektor na nakakaimpluwensya sa paggalaw ng presyo ng isang asset. Ang nabanggit na CAPM ay batay sa muling pagbabalik, at ginagamit ito upang ma-proyekto ang inaasahang pagbabalik para sa mga stock at upang makabuo ng mga gastos ng kapital. Ang pagbabalik ng isang stock ay muling nakarehistro laban sa mga pagbabalik ng isang mas malawak na index, tulad ng S&P 500, upang makabuo ng isang beta para sa partikular na stock.
Ang Beta ay ang panganib ng stock na may kaugnayan sa merkado o index at makikita bilang slope sa modelo ng CAPM. Ang inaasahang pagbabalik para sa stock na pinag-uusapan ay ang umaasa variable Y, samantalang ang independiyenteng variable X ay ang merkado ng panganib sa merkado.
Ang mga karagdagang variable tulad ng capitalization ng merkado ng isang stock, ratio ng pagpapahalaga, at ang mga kamakailan lamang na pagbabalik ay maaaring idagdag sa modelo ng CAPM upang makakuha ng mas mahusay na mga pagtatantya para sa mga pagbabalik. Ang mga karagdagang kadahilanan na ito ay kilala bilang Fama-French factor, na pinangalanan sa mga propesor na binuo ang maramihang mga linear regression model upang mas mahusay na ipaliwanag ang mga nagbabalik na asset.
