Көптік регрессия дегеніміз не
Көптік регрессия - бір тәуелді айнымалы мен екі немесе одан да көп тәуелсіз айнымалылар арасындағы байланысты түсіну үшін қолданылатын статистикалық талдау әдісі. Бұл әдіс әлеуметтік, экономикалық, бизнес, денсаулық сақтау, білім беру және деректер ғылымы зерттеулерінде жиі қолданылады, себебі ол бірнеше факторлардың нәтижеге қалай әсер ететінін түсіндіре алады.
Мысалы, біреу студенттің емтихан нәтижелерін болжағысы келеді делік. Емтихан нәтижелеріне (тәуелді айнымалы) оқу сағаттары, сабаққа қатысу және репетиторлыққа қолжетімділік (тәуелсіз айнымалылар) әсер етуі мүмкін. Көптік регрессия келесі сұрақтарға жауап беруге көмектеседі: Қандай факторлар ең әсерлі? Егер оқу сағаттары артса, басқа факторлар тұрақты болған жағдайда емтиханның орташа бағасы қаншаға артады?
-
Көптік регрессияның анықтамасы және мақсаты
Қарапайым тілмен айтқанда, көптік регрессия келесі мақсаттарға бағытталған:
1. Бірнеше тәуелсіз айнымалыларға сүйене отырып, тәуелді айнымалының мәнін болжаңыз.
2. Әрбір тәуелсіз айнымалының тәуелді айнымалыға қаншалықты әсер ететінін түсіндіріңіз.
3. Шын мәнінде құбылысқа көптеген факторлар әсер еткенімен, тек бір тәуелсіз айнымалыны пайдаланған кезде туындауы мүмкін ауытқуды азайтады.
4. Белгілі бір айнымалының әсерін тексеру кезінде басқа айнымалыларды басқару (бақылау).
Қарапайым регрессиямен біз тек бір фактордың нәтижеге қатынасын қарастырамыз. Дегенмен, нақты әлемде әсерлер көбінесе бір-бірімен қабаттасады. Міне, осы жерде көптік регрессия шынайы бола түседі: ол бірден көптеген айнымалыларды қосу арқылы «үлкен суретті» көруге тырысады.
-
Көптік регрессия теңдеуінің жалпы түрі
Көптік регрессия әдетте келесі теңдеу түрінде жазылады:
Y = a + b1X1 + b2X2 + b3X3 + … + bnXn + e
Ақпарат:
– Y = тәуелді айнымалы (түсіндіру/болжау керек)
– a = тұрақты (барлық X мәндері 0 болған кездегі Y мәні)
– b1, b2, … bn = әрбір тәуелсіз айнымалы үшін регрессия коэффициенттері
– X1, X2, … Xn = тәуелсіз айнымалылар
– e = қате/қалдық (модельмен түсіндірілмейтін Y вариациясының бөлігі)
b коэффициенті ең жиі түсіндірілетін компонент болып табылады. Мысалы, егер b1 = 2,5 болса, онда X1-дің әрбір 1 бірлік өсуі басқа тәуелсіз айнымалылар тұрақты болып қалатын болса, Y-ті 2,5-ке арттырады. «Қалғанның бәрі тұрақты» деген тіркес маңызды, себебі ол көптік регрессияның негізгі ерекшелігін білдіреді: ол айнымалының «ішінара» әсерін өлшейді.
-
Көптік регрессияны қолдану мысалы
Оңайлату үшін мына қарапайым бизнес мысалын келтірейік. Айталық, компания өнім сатылымына (Y) әсер ететін факторларды білгісі келеді. Компания деректерді жинайды:
– X1 = жарнама шығындары (миллион рупиямен)
– X2 = өнім бағасы (мың рупиямен)
– X3 = белсенді сатушылар саны
Талдау нәтижелері келесі теңдеуді береді:
Сату = 100 + 8X1 – 5X2 + 12X3
Түсіндіру:
– Тұрақты 100: жарнама шығындары, бағалар және сатушылар 0 деп есептелгенде, сатылым 100 бірлікке тең деп есептеледі (бұл тек математикалық түсіндірме, кейде іс жүзінде мағынасы жоқ).
– 8X1: егер баға мен сатушы өзгеріссіз қалса, жарнама шығындарының әрбір қосымша 1 миллионы сатылымды 8 бірлікке арттырады деп есептеледі.
– -5X2: егер басқа айнымалылар тұрақты болып қалса, бағаның әрбір 1 рупияға өсуі сату көлемін 5 бірлікке азайтады деп есептеледі.
– 12X3: егер басқа айнымалылар тұрақты болып қалса, әрбір қосымша 1 белсенді сатушы сатуды 12 бірлікке арттырады.
Бұл модель арқылы компаниялар саясат жасай алады: мысалы, сату мақсаттарына жету үшін жарнаманың, бағалардың және сатушылар санының үйлесімін анықтау.
-
Көптік регрессияны қашан қолданған дұрыс?
Көптік регрессия келесі жағдайларда қолдануға жарамды:
1. Сізде болжағыңыз келетін бір негізгі нәтиже бар (Y).
2. Нәтижеге әсер етеді деп күдіктенетін бірнеше фактор бар (X).
3. Деректер сандық шкала бойынша беріледі немесе сандық түрге өзгертілуі мүмкін (мысалы, санаттар манекендерге өзгертіледі).
Бұл әдісті зерттеулерде «теорияларды тексеру» үшін де пайдалануға болады, мысалы, жұмыс тәжірибесі мен тұрғылықты жерін бақылағаннан кейін білімнің табысқа әсері әлі де маңызды ма, жоқ па.
-
Көптік регрессиядағы маңызды болжамдар
Нәтижелердің жарамды болуы үшін көптік регрессияның бірнеше болжамы бар, оларды ескеру қажет:
1. Сызықтық
Тәуелсіз және тәуелді айнымалылар арасындағы байланыс сызықтық деп есептеледі. Егер нақты байланыс қисық (сызықтық емес) болса, сызықтық модель дәлдігі төмен болуы мүмкін.
2. Жоғары мультиколлинеарлық жоқ
Тәуелсіз айнымалылар тым күшті корреляцияланбауы керек. Егер X1 және X2 бірдей болса, олардың сәйкес әсерлерін ажырату қиын болады.
3. Гомоскедастикалық
Қалдық дисперсиясы барлық болжамды мәндер бойынша салыстырмалы түрде тұрақты болады деп күтілуде. Егер қалдық белгілі бір мәнде (гетероскедастикалық) үлкенірек болса, бағалау тиімділігі төмен болуы мүмкін.
4. Қалдықтардың қалыптылығы (көбінесе қалаулы)
Қалдықтар, әсіресе маңыздылықты тексеру мақсаттары үшін, шамамен қалыпты таралған болуы керек.
5. Қателердің тәуелсіздігі
Бақылаулар арасындағы қателіктер өзара байланысты болмауы керек. Бұл мәселе көбінесе уақыт қатарларының деректерінде туындайды.
Болжамдарды тексеру әдетте қалдық графиктер, статистикалық тесттер (мысалы, мультиколлинеарлық үшін VIF) және басқа диагностикалық талдаулар арқылы жүзеге асырылады.
-
Модель сапасын өлшеу: R² және маңыздылық сынақтары
Көптік регрессияда бірнеше жалпы көрсеткіштер қолданылады:
– R² (Детерминация коэффициенті)
Модельмен түсіндірілуі мүмкін Y вариациясының үлесін көрсетеді. R² мәндері 0-1 аралығында болады. R² неғұрлым үлкен болса, тәуелсіз айнымалы соғұрлым көп вариацияны түсіндіреді. Дегенмен, үлкен R² модельдің автоматты түрде «дұрыс» екенін білдірмейді; шамадан тыс сәйкестік орын алуы мүмкін.
– Түзетілген R²
Тәуелсіз айнымалылар санын ескеретін R² нұсқасы. Бұл әртүрлі айнымалы сандары бар модельдерді салыстыруға көмектеседі.
– F сынағы (бір мезгілде)
Тәуелсіз айнымалылардың бірге Y-ге айтарлықтай әсер ететінін тексеру.
– t-тесті (ішінара)
Әрбір коэффициенттің (b1, b2 және т.б.) статистикалық тұрғыдан маңызды екенін тексеріңіз.
Бұл тест арқылы зерттеушілер модельдің пайдалы екенін және қандай айнымалылардың шынымен үлес қосатынын бағалай алады.
-
Көптік регрессияның артықшылықтары мен шектеулері
Артық
– Шынайырақ, себебі ол бірден көптеген факторларды ескереді.
– Болжау және түсіндіру үшін пайдалануға болады.
– Ішінара әсерді талдауға мүмкіндік береді (басқа айнымалыларды бақылау).
– Бұл статистика мен машиналық оқытудағы көптеген озық әдістердің негізі болып табылады.
Шектеулер
– Мультиколлинеарлыққа бейім.
– Егер болжамдар орындалмаса, нәтижелер жаңылыстыруы мүмкін.
– Себеп-салдарлық байланысты автоматты түрде көрсетпейді; регрессия байланысты көрсетеді, ал себеп-салдарлық күшті зерттеу дизайнын қажет етеді.
– Деректер көлемімен салыстырғанда айнымалылар тым көп болған жағдайда шамадан тыс сәйкестендіру орын алуы мүмкін.
-
Жабу
Көптік регрессия бір тәуелді айнымалы мен бірнеше тәуелсіз айнымалылар арасындағы байланысты талдаудың маңызды статистикалық құралы болып табылады. Салыстырмалы түрде қарапайым теңдеуді қолдана отырып, бұл әдіс зерттеушілер мен мамандарға ықпалды факторларды түсінуге, әрбір айнымалының әсер ету күшін өлшеуге және бір факторды жеке пайдалануға қарағанда дәлірек болжамдар жасауға көмектеседі.
Дегенмен, көптік регрессия «сиқырлы құрал» емес. Ол дәл түсіндіруді қамтамасыз ету үшін жақсы деректердің сапасын, ақылға қонымды айнымалыларды таңдауды және болжамды тексеруді қажет етеді. Тиісті түрде қолданылған кезде, көптік регрессия әртүрлі салаларда деректерге негізделген шешім қабылдау үшін берік негіз бола алады.
Қаласаңыз, мен сізге осы мақаланың нақты контекстке арналған нұсқасын жасауға көмектесе аламын (мысалы, диссертация, бизнес немесе орта мектеп оқырмандары үшін), онда қарапайым есептеу мысалдары және SPSS/Excel/R нәтижелерін қалай оқу керектігі көрсетілген.
