Què és la regressió múltiple?
La regressió múltiple és una tècnica d'anàlisi estadística que s'utilitza per comprendre la relació entre una variable dependent i dues o més variables independents. Aquest mètode s'utilitza amb freqüència en la investigació social, econòmica, empresarial, sanitària, educativa i de ciència de dades, ja que pot explicar com diversos factors influeixen col·lectivament en un resultat.
Per exemple, suposem que algú vol predir les puntuacions d'un estudiant als exàmens. Les puntuacions dels exàmens (la variable dependent) poden estar influenciades per les hores d'estudi, l'assistència i l'accés a classes particulars (les variables independents). La regressió múltiple ajuda a respondre preguntes com ara: Quins factors són més influents? Si augmenten les hores d'estudi, quant augmentarà la puntuació mitjana dels exàmens, mantenint constants els altres factors?
-
Definició i propòsit de la regressió múltiple
En termes senzills, la regressió múltiple té com a objectiu:
1. Prediu el valor de la variable dependent basant-vos en diverses variables independents.
2. Explica quanta influència té cada variable independent sobre la variable dependent.
3. Redueix el biaix que pot sorgir si només fem servir una variable independent, tot i que en realitat un fenomen està influenciat per molts factors.
4. Control d'altres variables (control) quan es prova la influència d'una variable en particular.
Amb la regressió simple, només observem la relació d'un factor amb un resultat. Tanmateix, al món real, els efectes sovint se superposen. Aquí és on la regressió múltiple esdevé més realista: intenta veure el "panorama general" incloent moltes variables alhora.
-
Forma general de l'equació de regressió múltiple
La regressió múltiple s'escriu normalment com l'equació:
Y = a + b1X1 + b2X2 + b3X3 + … + bnXn + e
Informació:
– Y = variable dependent (que s'ha d'explicar/predir)
– a = constant (el valor de Y quan totes les X són 0)
– b1, b2, … bn = coeficients de regressió per a cada variable independent
– X1, X2, … Xn = variables independents
– e = error/residual (la part de la variació en Y que no es pot explicar pel model)
El coeficient b és el component que s'interpreta amb més freqüència. Per exemple, si b1 = 2,5, cada augment d'1 unitat en X1 augmentarà Y en 2,5, suposant que altres variables independents romanen constants. La frase "si tota la resta és constant" és important perquè representa una característica clau de la regressió múltiple: mesura l'efecte "parcial" d'una variable.
-
Exemple d'aplicació de regressió múltiple
Per facilitar-ho, aquí teniu un exemple empresarial senzill. Suposem que una empresa vol saber els factors que influeixen en les vendes de productes (Y). L'empresa recopila dades:
– X1 = costos publicitaris (en milions de rupies)
– X2 = preu del producte (en milers de rupies)
– X3 = nombre de distribuïdors actius
Els resultats de l'anàlisi produeixen l'equació:
Vendes = 100 + 8X1 – 5X2 + 12X3
La interpretació:
– Constant 100: quan els costos publicitaris, els preus i els distribuïdors es consideren 0, les vendes s'estimen en 100 unitats (això només és una interpretació matemàtica, de vegades no té sentit a la realitat).
– 8X1: s'estima que cada milió addicional en despeses publicitàries augmentarà les vendes en 8 unitats, si el preu i el distribuïdor es mantenen iguals.
– -5X2: s'estima que cada augment de preu de mil rupies redueix les vendes en 5 unitats, si les altres variables es mantenen constants.
– 12X3: cada distribuïdor actiu addicional augmenta les vendes en 12 unitats, si les altres variables es mantenen constants.
Amb aquest model, les empreses poden crear polítiques: per exemple, determinar la combinació de publicitat, preus i nombre de distribuïdors per assolir els objectius de vendes.
-
Quan és apropiat utilitzar la regressió múltiple?
La regressió múltiple és adequada per al seu ús quan:
1. Tens un resultat principal que vols predir (Y).
2. Hi ha més d'un factor que se sospita que influeix en el resultat (X).
3. Les dades es presenten en una escala numèrica o es poden transformar en una forma numèrica (per exemple, les categories es transformen en variables fictícies).
Aquest mètode també es pot utilitzar per "provar teories" en la recerca, per exemple, si l'efecte de l'educació sobre els ingressos continua sent significatiu després de controlar l'experiència laboral i el lloc de residència.
-
Supòsits importants en la regressió múltiple
Perquè els resultats siguin vàlids, la regressió múltiple té diverses suposicions que cal tenir en compte:
1. Linealitat
Se suposa que la relació entre les variables independents i dependents és lineal. Si la relació real és corba (no lineal), el model lineal pot ser menys precís.
2. No hi ha una multicol·linealitat elevada
Les variables independents no haurien d'estar massa fortament correlacionades. Si X1 i X2 són gairebé idèntiques, serà difícil separar els seus efectes respectius.
3. Homoscedasticitat
S'espera que la variància residual sigui relativament constant en tots els valors predits. Si el residual es fa més gran en un cert valor (heteroscedasticitat), l'estimació pot ser menys eficient.
4. Normalitat dels residus (sovint desitjable)
Els residus han de tenir una distribució aproximadament normal, especialment per a fins de proves de significació.
5. Independència d'errors
Els errors entre observacions no s'haurien de correlacionar. Aquest problema sorgeix sovint en dades de sèries temporals.
La comprovació de supòsits es fa normalment mitjançant gràfics residuals, proves estadístiques (per exemple, VIF per a la multicol·linealitat) i altres anàlisis de diagnòstic.
-
Mesura de la qualitat del model: R² i proves de significació
En la regressió múltiple, s'utilitzen diversos indicadors comuns:
– R² (Coeficient de Determinació)
Mostra la proporció de variació en Y que pot ser explicada pel model. Els valors de R² oscil·len entre 0 i 1. Com més gran sigui R², més variació explicarà la variable independent. Tanmateix, un R² gran no significa automàticament que el model sigui "correcte"; es pot produir un sobreajustament.
– R² ajustat
Una versió d'R² que té en compte el nombre de variables independents. Això ajuda a comparar models amb diferents nombres de variables.
– Prova F (simultània)
Provar si les variables independents juntes tenen un efecte significatiu sobre Y.
– prova t (parcial)
Comproveu si cada coeficient (b1, b2, etc.) és estadísticament significatiu.
Amb aquesta prova, els investigadors poden avaluar si el model és útil i quines variables hi contribueixen realment.
-
Avantatges i limitacions de la regressió múltiple
Excés
– Més realista perquè té en compte molts factors alhora.
– Es pot utilitzar per a la predicció i l'explicació.
– Permet l'anàlisi d'efectes parcials (control d'altres variables).
– És la base de molts mètodes avançats en estadística i aprenentatge automàtic.
Limitacions
– Susceptible a la multicol·linealitat.
– Els resultats poden ser enganyosos si no es compleixen les hipòtesis.
– No indica automàticament una relació causal; la regressió mostra associació i la causalitat requereix un disseny de recerca sòlid.
– El sobreajustament es pot produir si hi ha massa variables en comparació amb la quantitat de dades.
-
Tancament
La regressió múltiple és una eina estadística important per analitzar la relació entre una única variable dependent i múltiples variables independents. Mitjançant una equació relativament senzilla, aquest mètode ajuda els investigadors i professionals a comprendre els factors influents, mesurar la força de la influència de cada variable i fer prediccions més precises que utilitzant un sol factor.
Tanmateix, la regressió múltiple no és una "eina màgica". Requereix una bona qualitat de les dades, una selecció raonable de variables i una comprovació de suposicions per garantir una interpretació precisa. Quan s'utilitza adequadament, la regressió múltiple pot proporcionar una base sòlida per a la presa de decisions basada en dades en una varietat de camps.
Si vols, et puc ajudar a crear una versió d'aquest article per a un context específic (per exemple, per a una tesi, per a negocis o per a lectors de secundària) amb exemples de càlcul senzills i com llegir la sortida de SPSS/Excel/R.
