რა არის მრავალჯერადი რეგრესია

რა არის მრავალჯერადი რეგრესია

მრავლობითი რეგრესია არის სტატისტიკური ანალიზის ტექნიკა, რომელიც გამოიყენება ერთ დამოკიდებულ ცვლადსა და ორ ან მეტ დამოუკიდებელ ცვლადს შორის ურთიერთობის გასაგებად. ეს მეთოდი ხშირად გამოიყენება სოციალურ, ეკონომიკურ, ბიზნესის, ჯანდაცვის, განათლებისა და მონაცემთა მეცნიერების კვლევებში, რადგან მას შეუძლია ახსნას, თუ როგორ მოქმედებს რამდენიმე ფაქტორი ერთობლივად შედეგზე.

მაგალითად, დავუშვათ, ვინმეს სურს სტუდენტის გამოცდის ქულების პროგნოზირება. გამოცდის ქულებზე (დამოკიდებული ცვლადი) შეიძლება გავლენა იქონიოს სასწავლო საათებმა, დასწრებამ და რეპეტიტორობაზე წვდომამ (დამოუკიდებელი ცვლადები). მრავლობითი რეგრესია გვეხმარება ვუპასუხოთ ისეთ კითხვებს, როგორიცაა: რომელი ფაქტორებია ყველაზე გავლენიანი? თუ სასწავლო საათები გაიზრდება, რამდენად გაიზრდება გამოცდის საშუალო ქულა, სხვა ფაქტორების უცვლელად დატოვების შემთხვევაში?

-

მრავალჯერადი რეგრესიის განმარტება და მიზანი

მარტივად რომ ვთქვათ, მრავალჯერადი რეგრესიის მიზანია:

1. რამდენიმე დამოუკიდებელი ცვლადის საფუძველზე, იწინასწარმეტყველეთ დამოკიდებული ცვლადის მნიშვნელობა.
2. ახსენით, რა გავლენას ახდენს თითოეული დამოუკიდებელი ცვლადი დამოკიდებულ ცვლადზე.
3. ამცირებს მიკერძოებას, რომელიც შეიძლება წარმოიშვას მხოლოდ ერთი დამოუკიდებელი ცვლადის გამოყენების შემთხვევაში, მიუხედავად იმისა, რომ სინამდვილეში ფენომენზე მრავალი ფაქტორი ახდენს გავლენას.
4. კონკრეტული ცვლადის გავლენის შემოწმებისას სხვა ცვლადების კონტროლი (კონტროლი).

მარტივი რეგრესიის დროს ჩვენ მხოლოდ ერთი ფაქტორის შედეგთან კავშირს განვიხილავთ. თუმცა, რეალურ სამყაროში ეფექტები ხშირად ერთმანეთს ემთხვევა. სწორედ აქ ხდება მრავალჯერადი რეგრესია უფრო რეალისტური: ის ცდილობს „დიდი სურათის“ დანახვას ერთდროულად მრავალი ცვლადის ჩართვით.

-

მრავლობითი რეგრესიის განტოლების ზოგადი ფორმა

მრავლობითი რეგრესია ჩვეულებრივ იწერება როგორც განტოლება:

Y = a + b1X1 + b2X2 + b3X3 + … + bnXn + e

ინფორმაცია:
– Y = დამოკიდებული ცვლადი (რომელიც უნდა აიხსნას/იწინასწარმეტყველოს)
– a = მუდმივი (Y-ის მნიშვნელობა, როდესაც ყველა X 0-ის ტოლია)
– b1, b2, … bn = რეგრესიის კოეფიციენტები თითოეული დამოუკიდებელი ცვლადისთვის
– X1, X2, … Xn = დამოუკიდებელი ცვლადები
– e = შეცდომა/ნარჩენი (Y-ის ვარიაციის ის ნაწილი, რომლის ახსნა მოდელით შეუძლებელია)

კოეფიციენტი b ყველაზე ხშირად ინტერპრეტირებული კომპონენტია. მაგალითად, თუ b1 = 2,5, მაშინ X1-ის ყოველი 1 ერთეულით ზრდა Y-ს 2,5-ით გაზრდის, იმ პირობით, რომ სხვა დამოუკიდებელი ცვლადები უცვლელი დარჩება. ფრაზა „ყველა დანარჩენი უცვლელია“ მნიშვნელოვანია, რადგან ის წარმოადგენს მრავლობითი რეგრესიის ძირითად მახასიათებელს: ის ზომავს ცვლადის „ნაწილობრივ“ ეფექტს.

-

მრავალჯერადი რეგრესიის გამოყენების მაგალითი

გასამარტივებლად, აქ მოცემულია მარტივი მაგალითი ბიზნეს სამყაროდან. მაგალითად, კომპანიას სურს იცოდეს ფაქტორები, რომლებიც გავლენას ახდენენ პროდუქტის გაყიდვებზე (Y). მონაცემების შეგროვება:
– X1 = სარეკლამო ხარჯები (მილიონ რუპიებში)
– X2 = პროდუქტის ფასი (ათას რუპიებში)
– X3 = აქტიური რესელერების რაოდენობა

ანალიზის შედეგები იძლევა განტოლებას:
გაყიდვები = 100 + 8X1 – 5X2 + 12X3

ინტერპრეტაცია:
– კონსტანტა 100: როდესაც რეკლამის ხარჯები, ფასები და გადამყიდველები 0-ად ითვლება, გაყიდვები 100 ერთეულად ფასდება (ეს მხოლოდ მათემატიკური ინტერპრეტაციაა, ზოგჯერ რეალობაში აზრი არ აქვს).
– 8X1: სარეკლამო ხარჯების ყოველი დამატებითი 1 მილიონი გაყიდვები, სავარაუდოდ, 8 ერთეულით გაიზრდება, თუ ფასი და რეალიზატორი იგივე დარჩება.
– -5X2: ფასის ყოველი 1 ათასი რუპიით ზრდა, სავარაუდოდ, გაყიდვებს 5 ერთეულით შეამცირებს, თუ სხვა ცვლადები უცვლელი დარჩება.
– 12X3: ყოველი დამატებითი 1 აქტიური რესელერი გაყიდვებს 12 ერთეულით ზრდის, თუ სხვა ცვლადები უცვლელი რჩება.

ამ მოდელის გამოყენებით, კომპანიებს შეუძლიათ შექმნან პოლიტიკა: მაგალითად, გაყიდვების მიზნების მისაღწევად რეკლამის, ფასების და გადამყიდველების რაოდენობის კომბინაციის განსაზღვრა.

-

როდის არის მრავლობითი რეგრესიის გამოყენება მიზანშეწონილი?

მრავლობითი რეგრესია გამოსადეგია, როდესაც:

1. თქვენ გაქვთ ერთი მთავარი შედეგი, რომლის პროგნოზირებაც გსურთ (Y).
2. არსებობს ერთზე მეტი ფაქტორი, რომელიც, სავარაუდოდ, გავლენას ახდენს შედეგზე (X).
3. მონაცემები რიცხვითი შკალის სახითაა ან შეიძლება შეიცვალოს რიცხვითი ფორმით (მაგალითად, კატეგორიები გარდაიქმნება ფიქციურ ფორმატებად).

ეს მეთოდი ასევე შეიძლება გამოყენებულ იქნას კვლევაში „თეორიების შესამოწმებლად“, მაგალითად, მნიშვნელოვანია თუ არა განათლების გავლენა შემოსავალზე სამუშაო გამოცდილებისა და საცხოვრებელი ადგილის კონტროლის შემდეგ.

-

მნიშვნელოვანი დაშვებები მრავალჯერადი რეგრესიის დროს

იმისათვის, რომ შედეგები სანდო იყოს, მრავალჯერადი რეგრესიის მეთოდი რამდენიმე ვარაუდს ითვალისწინებს:

1. ხაზოვანი
დამოუკიდებელ და დამოკიდებულ ცვლადებს შორის დამოკიდებულება წრფივადაა მიჩნეული. თუ ფაქტობრივი დამოკიდებულება მრუდია (არაწრფივი), წრფივი მოდელი შესაძლოა ნაკლებად ზუსტი იყოს.

2. მაღალი მულტიკოლინეარობა არ არსებობს
დამოუკიდებელი ცვლადები არ უნდა იყოს ძალიან მჭიდროდ კორელირებული. თუ X1 და X2 თითქმის იდენტურია, მათი შესაბამისი ეფექტების გამიჯვნა რთული იქნება.

3. ჰომოსკედასტურობა
ნარჩენი ვარიაცია, სავარაუდოდ, შედარებით მუდმივი იქნება ყველა პროგნოზირებული მნიშვნელობისთვის. თუ ნარჩენი გარკვეული მნიშვნელობისას (ჰეტეროსკედასტურობა) გაიზრდება, შეფასება შესაძლოა ნაკლებად ეფექტური იყოს.

4. ნარჩენი რიცხვების ნორმალობა (ხშირად სასურველია)
ნარჩენები დაახლოებით ნორმალურად უნდა იყოს განაწილებული, განსაკუთრებით ამ მიზნებისათვის მნიშვნელობის ტესტი.

5. შეცდომებისგან დამოუკიდებლობა
დაკვირვებებს შორის შეცდომები არ უნდა იყოს კორელირებული. ეს პრობლემა ხშირად წარმოიქმნება დროის სერიების მონაცემებში.

ვარაუდების შემოწმება, როგორც წესი, ხდება ნარჩენი გრაფიკების, სტატისტიკური ტესტების (მაგ., VIF მულტიკოლინეარობისთვის) და სხვა დიაგნოსტიკური ანალიზების მეშვეობით.

-

მოდელის ხარისხის გაზომვა: R² და მნიშვნელობის ტესტები

მრავლობითი რეგრესიის დროს გამოიყენება რამდენიმე საერთო ინდიკატორი:

– R² (დეტერმინაციის კოეფიციენტი)
აჩვენებს Y-ის ვარიაციის პროპორციას, რომლის ახსნაც მოდელით შეიძლება. R² მნიშვნელობები 0-დან 1-მდე მერყეობს. რაც უფრო დიდია R², მით უფრო მეტ ვარიაციას ხსნის დამოუკიდებელი ცვლადი. თუმცა, დიდი R² ავტომატურად არ ნიშნავს, რომ მოდელი „სწორია“; შეიძლება მოხდეს ზედმეტად მორგება.

– კორექტირებული R²
R²-ის ვერსია, რომელიც ითვალისწინებს დამოუკიდებელი ცვლადების რაოდენობას. ეს ხელს უწყობს სხვადასხვა რაოდენობის ცვლადების მქონე მოდელების შედარებას.

– F ტესტი (ერთდროული)
იმის შემოწმება, აქვთ თუ არა დამოუკიდებელ ცვლადებს ერთად მნიშვნელოვანი გავლენა Y-ზე.

– t-ტესტი (ნაწილობრივი)
შეამოწმეთ, სტატისტიკურად მნიშვნელოვანია თუ არა თითოეული კოეფიციენტი (b1, b2 და ა.შ.).

ამ ტესტის საშუალებით მკვლევრებს შეუძლიათ შეაფასონ, სასარგებლოა თუ არა მოდელი და რომელი ცვლადები უწყობს ხელს რეალურად.

-

მრავალჯერადი რეგრესიის უპირატესობები და შეზღუდვები

ქელებიჰიანი
– უფრო რეალისტურია, რადგან ერთდროულად ბევრ ფაქტორს ითვალისწინებს.
– შეიძლება გამოყენებულ იქნას პროგნოზირებისა და ახსნისთვის.
– ნაწილობრივი ეფექტის ანალიზის (სხვა ცვლადების კონტროლი) საშუალებას იძლევა.
– ეს მრავალი მოწინავე მეთოდის საფუძველია სტატისტიკა და მანქანური სწავლება.

შეზღუდვები
– მულტიკოლინეარობისადმი მიდრეკილება.
– შედეგები შეიძლება შეცდომაში შემყვანი იყოს, თუ ვარაუდები არ დაკმაყოფილდება.
– ავტომატურად არ მიუთითებს მიზეზობრივ კავშირზე; რეგრესია აჩვენებს კავშირს და მიზეზობრიობა მოითხოვს კვლევის ძლიერ დიზაინს.
– ზედმეტად მორგება შეიძლება მოხდეს, თუ მონაცემების რაოდენობასთან შედარებით ძალიან ბევრი ცვლადია.

-

დახურვა

მრავალჯერადი რეგრესია მნიშვნელოვანი სტატისტიკური ინსტრუმენტია ერთ დამოკიდებულ ცვლადსა და მრავალ დამოუკიდებელ ცვლადს შორის ურთიერთობის გასაანალიზებლად . შედარებით მარტივი განტოლების გამოყენებით, ეს მეთოდი ეხმარება მკვლევარებსა და პრაქტიკოსებს გავლენიანი ფაქტორების გაგებაში, თითოეული ცვლადის გავლენის სიძლიერის გაზომვასა და უფრო ზუსტი პროგნოზების გაკეთებაში, ვიდრე მხოლოდ ერთი ფაქტორის გამოყენება.

თუმცა, მრავალჯერადი რეგრესია არ არის „ჯადოსნური ინსტრუმენტი“. ზუსტი ინტერპრეტაციის უზრუნველსაყოფად, ის მოითხოვს მონაცემთა კარგ ხარისხს, ცვლადების გონივრულ შერჩევას და ვარაუდების შემოწმებას. სათანადო გამოყენების შემთხვევაში, მრავალჯერადი რეგრესია შეიძლება იყოს მყარი საფუძველი მონაცემებზე დაფუძნებული გადაწყვეტილებების მისაღებად სხვადასხვა სფეროში.

თუ გსურთ, შემიძლია დაგეხმაროთ ამ სტატიის კონკრეტული კონტექსტისთვის (მაგ., სადიპლომო ნაშრომისთვის, ბიზნესის საკითხებში ან საშუალო სკოლის მკითხველებისთვის) ვერსიის შექმნაში, რომელიც მოიცავს მარტივი გამოთვლების მაგალითებს და SPSS/Excel/R-ში გამომავალი ტექსტის წაკითხვას.