Regresijos analizės formulė Žingsnis po žingsnio skaičiavimas

Regresijos analizės formulė

Regresijos analizė yra priklausomo ir nepriklausomo kintamojo santykio analizė, nes ji parodo, kaip priklausomas kintamasis pasikeis, kai vienas ar keli nepriklausomi kintamieji pasikeis dėl veiksnių, jo apskaičiavimo formulė yra Y = a + bX + E, kur Y yra priklausomas kintamasis, X yra nepriklausomas kintamasis, a yra perimamas, b yra nuolydis ir E yra likutinis.

Regresija yra statistinė priemonė, leidžianti numatyti priklausomą kintamąjį vieno ar kelių nepriklausomų kintamųjų pagalba. Atliekant regresijos analizę, pagrindinis tyrėjo tikslas yra išsiaiškinti priklausomo kintamojo ir nepriklausomo kintamojo ryšį. Norint numatyti priklausomą kintamąjį, pasirenkamas vienas ar keli nepriklausomi kintamieji, kurie gali padėti numatyti priklausomą kintamąjį. Tai padeda patvirtinti, ar numatomieji kintamieji yra pakankamai geri, kad padėtų nuspėti priklausomą kintamąjį.

Regresijos analizės formulė bando surasti geriausiai priklausomo kintamojo tinkamumo liniją, naudodama nepriklausomus kintamuosius. Regresijos analizės lygtis yra tokia pati kaip tiesės, kuri yra, lygtis

y = MX + b

Kur,

  • Y = priklausomas regresijos lygties kintamasis
  • M = regresijos lygties nuolydis
  • x = priklausomas regresijos lygties kintamasis
  • B = lygties konstanta

Paaiškinimas

Vykdant regresiją, pagrindinis tyrėjo tikslas yra išsiaiškinti priklausomo kintamojo ir nepriklausomo kintamojo ryšį. Norint numatyti priklausomą kintamąjį, pasirenkamas vienas ar keli nepriklausomi kintamieji, kurie gali padėti numatyti priklausomą kintamąjį. Regresijos analizė padeda patikrinti, ar numatomieji kintamieji yra pakankamai geri, kad padėtų nuspėti priklausomą kintamąjį.

Pavyzdžiai

Šią regresijos analizės formulės „Excel“ šabloną galite atsisiųsti čia - regresijos analizės formulės „Excel“ šabloną

1 pavyzdys

Pabandykime pavyzdžio pagalba suprasti regresijos analizės sampratą. Pabandykime sužinoti, koks yra sunkvežimio vairuotojo nuvažiuoto atstumo ir sunkvežimio vairuotojo amžiaus santykis. Kažkas iš tikrųjų daro regresijos lygtį, kad patvirtintų, ar tai, ką jis mano apie dviejų kintamųjų santykį, taip pat patvirtina regresijos lygtis. 

Žemiau pateikiami skaičiavimo duomenys

Norėdami apskaičiuoti regresijos analizę, eikite į „Excel“ skirtuką Duomenys ir pasirinkite duomenų analizės parinktį. Norėdami sužinoti tolesnę skaičiavimo procedūrą, žiūrėkite čia pateiktą straipsnį - „Excel“ analizės įrankių paketas

Aukščiau pateikto pavyzdžio regresijos analizės formulė bus

  • y = MX + b
  • y = 575,754 * -3,121 + 0
  • y = -1797

Šiame konkrečiame pavyzdyje pamatysime, kuris kintamasis yra priklausomas, o kuris - nepriklausomas. Priklausomas kintamasis šioje regresijos lygtyje yra sunkvežimio vairuotojo nuvažiuotas atstumas, o nepriklausomas kintamasis yra sunkvežimio vairuotojo amžius. Šio priklausomų ir nepriklausomų kintamųjų rinkinio regresija įrodo, kad nepriklausomas kintamasis yra geras priklausomo kintamojo, turinčio pakankamai aukštą apsisprendimo koeficientą, prognozatorius. Analizė padeda patvirtinti, kad nepriklausomo kintamojo formos veiksniai parinkti teisingai. Žemiau pateiktoje nuotraukoje vaizduojama kintamųjų regresijos išvestis. Duomenų rinkinys ir kintamieji pateikiami pridedamame „Excel“ lape.

2 pavyzdys

Pabandykime suprasti regresijos analizę, naudodami kitą pavyzdį. Pabandykime išsiaiškinti, koks yra santykis tarp klasės mokinių ūgio ir tų mokinių GPA pažymio. Kažkas iš tikrųjų daro regresijos lygtį, kad patvirtintų, ar tai, ką jis mano apie dviejų kintamųjų santykį, taip pat patvirtina regresijos lygtis.

Šiame pavyzdyje žemiau pateikiami duomenys, skirti skaičiuoti „Excel“

Regresijos analizės skaičiavimas, eikite į „Excel“ skirtuką Duomenys ir pasirinkite duomenų analizės parinktį.

Minėto pavyzdžio regresija bus

  • y = MX + b
  • y = 2,65 * 0,0034 + 0
  • y = 0,009198

Šiame konkrečiame pavyzdyje pamatysime, kuris kintamasis yra priklausomas, o kuris - nepriklausomas. Priklausomas kintamasis šioje regresijos lygtyje yra studentų GPA, o nepriklausomas kintamasis yra studentų ūgis. Šio priklausomų ir nepriklausomų kintamųjų rinkinio regresijos analizė įrodo, kad nepriklausomas kintamasis nėra tinkamas priklausomo kintamojo prognozatorius, nes nustatymo koeficiento reikšmė yra nereikšminga. Šiuo atveju turime išsiaiškinti kitą nuspėjamąjį kintamąjį, kad galėtume numatyti priklausomą kintamąjį regresijos analizei. Žemiau pateiktoje nuotraukoje vaizduojama kintamųjų regresijos išvestis. Duomenų rinkinys ir kintamieji pateikiami pridedamame „Excel“ lape.

Aktualumas ir naudojimas

Regresija yra labai naudingas statistinis metodas. Bet kokį verslo sprendimą, siekiant patvirtinti hipotezę, kad dėl konkretaus veiksmo padidės padalinio pelningumas, galima patvirtinti remiantis priklausomų ir nepriklausomų kintamųjų regresijos rezultatu. Regresijos analizės lygtis vaidina labai svarbų vaidmenį finansų pasaulyje. Daug prognozuojama naudojant regresiją. Pavyzdžiui, tam tikro segmento pardavimus galima iš anksto numatyti naudojant makroekonominius rodiklius, kurie turi labai gerą koreliaciją su tuo segmentu. Tiek tiesinė, tiek daugkartinė regresija yra naudinga praktikams, norint numatyti priklausomus kintamuosius, taip pat patvirtinti nepriklausomus kintamuosius kaip priklausomų kintamųjų prognozes.


$config[zx-auto] not found$config[zx-overlay] not found