Zer da Erregresio Anizkoitza?
Erregresio anizkoitza aldagai mendeko baten eta bi aldagai independente edo gehiagoren arteko erlazioa ulertzeko erabiltzen den analisi estatistikoaren teknika bat da. Metodo hau maiz erabiltzen da gizarte, ekonomia, negozio, osasun, hezkuntza eta datu zientzia ikerketan, hainbat faktorek batera emaitza batean nola eragiten duten azal dezakeelako.
Adibidez, demagun norbaitek ikasle baten azterketen puntuazioak aurreikusi nahi dituela. Azterketen puntuak (menpeko aldagaia) ikasketa orduek, asistentziak eta tutoretzarako sarbideak (aldagai independenteak) eragina izan dezakete. Erregresio anizkoitzak honako galdera hauek erantzuten laguntzen du: Zein faktore dira eraginkorrenak? Ikasketa orduak handitzen badira, zenbat handituko da azterketaren batez besteko puntuazioa, gainerako faktoreak konstante mantenduz?
-
Erregresio Anizkoitzaren Definizioa eta Helburua
Hitz gutxitan esanda, erregresio anizkoitzak honako hau du helburu:
1. Aurreikusi mendeko aldagaiaren balioa hainbat aldagai independentetan oinarrituta.
2. Azaldu zenbaterainoko eragina duen aldagai independente bakoitzak mendeko aldagaian.
3. Aldagai independente bakarra erabiltzen badugu sor daitekeen alborapena murrizten du, nahiz eta errealitatean fenomeno bat faktore askok eragiten duten.
4. Aldagai jakin baten eragina probatzean beste aldagai batzuk kontrolatzea (kontrola).
Erregresio sinplearekin, faktore baten eta emaitzaren arteko erlazioa bakarrik aztertzen dugu. Hala ere, benetako munduan, efektuak askotan gainjartzen dira. Hemen bihurtzen da erregresio anizkoitza errealistagoa: "ikuspegi orokorra" ikusten saiatzen da, aldagai asko aldi berean sartuz.
-
Erregresio Anizkoitzeko Ekuazioaren Forma Orokorra
Erregresio anizkoitza normalean ekuazio gisa idazten da:
Y = a + b1X1 + b2X2 + b3X3 + … + bnXn + e
Informazioa:
– Y = mendeko aldagaia (azaldu/aurreikusi behar dena)
– a = konstantea (Y-ren balioa X guztiak 0 direnean)
– b1, b2, … bn = aldagai independente bakoitzerako erregresio-koefizienteak
– X1, X2, … Xn = aldagai independenteak
– e = errorea/hondarra (ereduak azaldu ezin dezakeen Y-ren aldakuntzaren zatia)
b koefizientea da gehien interpretatzen den osagaia. Adibidez, b1 = 2,5 bada, orduan X1-en unitate bateko igoera bakoitzak Y 2,5 handituko du, beste aldagai independenteak konstante mantentzen direla suposatuz. "Gainerako guztia konstante mantenduz" esaldia garrantzitsua da, erregresio anizkoitzaren ezaugarri nagusi bat adierazten duelako: aldagai baten "partzialki" eraginaren neurria ematen du.
-
Erregresio Anizkoitzaren Aplikazioaren Adibidea
Errazago egiteko, hona hemen negozio-adibide sinple bat. Demagun enpresa batek produktuen salmentetan eragina duten faktoreak (Y) jakin nahi dituela. Enpresak datuak biltzen ditu:
– X1 = publizitate-kostuak (milioi errupiatan)
– X2 = produktuaren prezioa (milaka errupiatan)
– X3 = birsaltzaile aktiboen kopurua
Analisiaren emaitzek ekuazio hau sortzen dute:
Salmentak = 100 + 8X1 – 5X2 + 12X3
Interpretazioa:
– 100eko konstantea: publizitate-kostuak, prezioak eta birsaltzaileak 0 direla kontsideratzen denean, salmentak 100 unitatekoak direla kalkulatzen da (interpretazio matematiko bat besterik ez da, batzuetan ez du zentzurik errealitatean).
– 8X1: publizitate-kostuetan milioi bat gehiago gehitzen den bakoitzean salmentak 8 unitate handitzen direla kalkulatzen da, prezioa eta saltzailea berdinak badira.
– -5X2: prezioan mila errupia igotzen den bakoitzak salmentak 5 unitate murriztea dela kalkulatzen da, beste aldagaiak konstante mantentzen badira.
– 12X3: saltzaile aktibo gehigarri bakoitzeko, salmentak 12 unitate handitzen dira, beste aldagaiak konstante mantentzen badira.
Eredu honekin, enpresek politikak sor ditzakete: adibidez, publizitatearen, prezioen eta birsaltzaileen kopuruaren konbinazioa zehaztu salmenta-helburuak lortzeko.
-
Noiz da egokia erregresio anizkoitza erabiltzea?
Erregresio anizkoitza egokia da honako kasu hauetan erabiltzeko:
1. Emaitza nagusi bat aurreikusi nahi duzu (Y).
2. Emaitzan (X) eragina izan dezakeen faktore bat baino gehiago dago susmatuta.
3. Datuak eskala numeriko batean daude edo forma numeriko batera alda daitezke (adibidez, kategoriak dummies bihurtzen dira).
Metodo hau ikerketetan “teoriak probatzeko” ere erabil daiteke, adibidez, hezkuntzak diru-sarreretan duen eragina oraindik ere esanguratsua den ala ez lan-esperientzia eta bizilekua kontrolatu ondoren.
-
Erregresio Anizkoitzeko Suposizio Garrantzitsuak
Emaitzak baliozkoak izan daitezen, erregresio anizkoitzak hainbat hipotesi hartu behar ditu kontuan:
1. Linealtasuna
Aldagai independenteen eta mendekoen arteko erlazioa lineala dela suposatzen da. Benetako erlazioa kurbatua bada (ez-lineala), eredu lineala zehaztasun gutxiagokoa izan daiteke.
2. Ez dago multikolinearitate handirik
Aldagai independenteak ez lirateke oso korrelazionatuta egon behar. X1 eta X2 ia berdinak badira, zaila izango da haien efektuak bereiztea.
3. Homozedastizitatea
Hondar-bariantza nahiko konstantea izatea espero da aurreikusitako balio guztietan. Hondarra balio jakin batean handiagoa bihurtzen bada (heterozedastizitatea), estimazioa ez da hain eraginkorra izan daiteke.
4. Hondarren normaltasuna (askotan desiragarria)
Hondarrak gutxi gorabehera banaketa normala izan behar dute, batez ere esangura-probak egiteko.
5. Erroreen independentzia
Behaketa arteko erroreak ez lirateke korrelazionatu behar. Arazo hau denbora-serieko datuetan sortzen da maiz.
Suposizioen egiaztapena normalean hondar-grafikoen, proba estatistikoen (adibidez, multikolinearitaterako VIF) eta beste analisi diagnostiko batzuen bidez egiten da.
-
Modeloaren Kalitatea Neurtzea: R² eta Garrantzi Probak
Erregresio anizkoitzean, hainbat adierazle ohiko erabiltzen dira:
– R² (Determinazio Koefizientea)
Ereduak azal dezakeen Y-ren aldakuntzaren proportzioa erakusten du. R² balioak 0 eta 1 artekoak dira. Zenbat eta handiagoa izan R², orduan eta aldakuntza gehiago azaltzen du aldagai independenteak. Hala ere, R² handi batek ez du esan nahi automatikoki eredua "zuzena" denik; gehiegi egokitzea gerta daiteke.
– R² doitua
R²-ren bertsio bat, aldagai independenteen kopurua kontuan hartzen duena. Honek aldagai kopuru desberdineko ereduak alderatzen laguntzen du.
– F proba (aldiberekoa)
Aldagai independenteek batera Y-n eragin esanguratsua duten ala ez probatzea.
– t-proba (partziala)
Egiaztatu ea koefiziente bakoitza (b1, b2, etab.) estatistikoki esanguratsua den.
Proba honekin, ikertzaileek eredua erabilgarria den eta zein aldagaik laguntzen duten ebaluatu dezakete.
-
Erregresio Anizkoitzaren Abantailak eta Mugak
Gehiegizkoa
– Errealistagoa da, hainbat faktore aldi berean kontuan hartzen dituelako.
– Iragarpen eta azalpenetarako erabil daiteke.
– Efektu partzialen analisia ahalbidetzen du (beste aldagai batzuen kontrola).
– Estatistikako eta ikaskuntza automatikoko metodo aurreratu askoren oinarria da.
Mugak
– Multikolinearitatearekiko sentikorra.
– Emaitzak engainagarriak izan daitezke hipotesiak betetzen ez badira.
– Ez du automatikoki kausa-erlaziorik adierazten; erregresioak lotura erakusten du, eta kausalitateak ikerketa-diseinu sendoa eskatzen du.
– Gehiegizko doikuntza gerta daiteke datu kopuruarekin alderatuta aldagai gehiegi daudenean.
-
Itxiera
Erregresio anizkoitza tresna estatistiko garrantzitsua da mendeko aldagai bakar baten eta hainbat aldagai independenteren arteko erlazioa aztertzeko. Ekuazio nahiko sinple bat erabiliz, metodo honek ikertzaileei eta profesionalei faktore eragingarriak ulertzen, aldagai bakoitzaren eraginaren indarra neurtzen eta faktore bakarra erabiltzea baino iragarpen zehatzagoak egiten laguntzen die.
Hala ere, erregresio anizkoitza ez da "tresna magiko" bat. Datuen kalitate ona, aldagaien hautaketa arrazoizkoa eta hipotesien egiaztapena behar ditu interpretazio zehatza bermatzeko. Egoki erabiltzen denean, erregresio anizkoitzak oinarri sendoa eman dezake datuetan oinarritutako erabakiak hartzeko hainbat arlotan.
Nahi baduzu, artikulu honen bertsio bat sortzen lagun zaitzaket testuinguru zehatz baterako (adibidez, tesi baterako, negozioetarako edo batxilergoko irakurleentzat), kalkulu adibide sinpleekin eta SPSS/Excel/R irteera nola irakurri azalduz.
