Што е повеќекратна регресија
Повеќекратната регресија е техника на статистичка анализа што се користи за разбирање на врската помеѓу една зависна променлива и две или повеќе независни променливи. Овој метод често се користи во истражувањата поврзани со општеството, економијата, бизнисот, здравството, образованието и науката за податоци, бидејќи може да објасни како неколку фактори заедно влијаат на еден исход.
На пример, да претпоставиме дека некој сака да ги предвиди резултатите од испитите на еден студент. Резултатите од испитите (зависната променлива) може да бидат под влијание на часовите на учење, присуството и пристапот до туторство (независните променливи). Повеќекратната регресија помага да се одговорат прашања како што се: Кои фактори се највлијателни? Ако часовите на учење се зголемат, колку ќе се зголеми просечниот резултат од испитот, држејќи ги другите фактори константни?
-
Дефиниција и цел на повеќекратна регресија
Едноставно кажано, повеќекратната регресија има за цел да:
1. Предвидете ја вредноста на зависната променлива врз основа на неколку независни променливи.
2. Објаснете колку влијание има секоја независна променлива врз зависната променлива.
3. Ја намалува пристрасноста што може да се појави ако користиме само една независна променлива, иако во реалноста феноменот е под влијание на многу фактори.
4. Контролирање на други варијабли (контрола) при тестирање на влијанието на одредена варијабла.
Со едноставна регресија, го разгледуваме само односот на еден фактор со исходот. Меѓутоа, во реалниот свет, ефектите често се преклопуваат. Тука повеќекратната регресија станува пореална: таа се обидува да ја види „големата слика“ со вклучување на многу варијабли одеднаш.
-
Општа форма на равенка за повеќекратна регресија
Повеќекратната регресија обично се пишува како равенката:
Y = a + b1X1 + b2X2 + b3X3 + … + bnXn + e
Информации:
– Y = зависна променлива (која треба да се објасни/предвиди)
– a = константа (вредноста на Y кога сите X се 0)
– b1, b2, … bn = коефициенти на регресија за секоја независна променлива
– X1, X2, … Xn = независни променливи
– e = грешка/остаток (делот од варијацијата во Y што не може да се објасни со моделот)
Коефициентот b е најчесто толкуваната компонента. На пример, ако b1 = 2,5, тогаш секое зголемување од 1 единица на X1 ќе го зголеми Y за 2,5, под претпоставка дека другите независни променливи остануваат константни. Фразата „сè друго е константно“ е важна бидејќи претставува клучна карактеристика на повеќекратната регресија: го мери „делумниот“ ефект на променливата.
-
Пример за примена на повеќекратна регресија
За да биде полесно, еве еден едноставен бизнис пример. Да претпоставиме дека една компанија сака да ги знае факторите што влијаат на продажбата на производи (Y). Компанијата собира податоци:
– X1 = трошоци за рекламирање (во милиони рупии)
– X2 = цена на производот (во илјадници рупии)
– X3 = број на активни препродавачи
Резултатите од анализата ја даваат равенката:
Продажба = 100 + 8X1 – 5X2 + 12X3
Интерпретацијата:
– Константа 100: кога трошоците за рекламирање, цените и препродавачите се сметаат за 0, продажбата се проценува на 100 единици (ова е само математичка интерпретација, понекогаш нема смисла во реалноста).
– 8X1: се проценува дека секој дополнителен 1 милион трошоци за рекламирање ја зголемува продажбата за 8 единици, доколку цената и препродавачот останат исти.
– -5X2: се проценува дека секое зголемување на цената од 1 илјада рупии ќе ја намали продажбата за 5 единици, доколку другите варијабли останат константни.
– 12X3: секој дополнителен 1 активен препродавач ја зголемува продажбата за 12 единици, ако другите варијабли останат константни.
Со овој модел, компаниите можат да креираат политики: на пример, одредување на комбинацијата од рекламирање, цени и број на препродавачи за да се постигнат целите за продажба.
-
Кога е соодветно да се користи повеќекратна регресија?
Повеќекратната регресија е погодна за употреба кога:
1. Имате еден главен исход што сакате да го предвидите (Y).
2. Постои повеќе од еден фактор за кој се сомнева дека влијае на исходот (X).
3. Податоците се на нумеричка скала или можат да се променат во нумеричка форма (на пример, категориите се менуваат во фиктивни броеви).
Овој метод може да се користи и за „тестирање на теории“ во истражувањата, на пример дали ефектот на образованието врз приходот е сè уште значаен по контролата на работното искуство и локацијата на живеење.
-
Важни претпоставки во повеќекратна регресија
За да бидат резултатите валидни, повеќекратната регресија има неколку претпоставки што треба да се земат предвид:
1. Линеарност
Се претпоставува дека врската помеѓу независните и зависните променливи е линеарна. Ако вистинската врска е закривена (нелинеарна), линеарниот модел може да биде помалку точен.
2. Нема висока мултиколинеарност
Независните варијабли не треба да бидат премногу силно корелирани. Ако X1 и X2 се речиси идентични, ќе биде тешко да се одделат нивните соодветни ефекти.
3. Хомоскедастичност
Се очекува преостанатата варијанса да биде релативно константна низ сите предвидени вредности. Ако преостанатата вредност стане поголема при одредена вредност (хетероскедастичност), проценката може да биде помалку ефикасна.
4. Нормалност на остатоците (често посакувана)
Остатоците треба да бидат приближно нормално распределени, особено за потребите на тестирање на значајноста.
5. Независност од грешки
Грешките меѓу набљудувањата не треба да се корелираат. Овој проблем често се јавува кај податоците од временските серии.
Проверката на претпоставките обично се врши преку графикони на остатоци, статистички тестови (на пр., VIF за мултиколинеарност) и други дијагностички анализи.
-
Мерење на квалитетот на моделот: R² и тестови за значајност
Во повеќекратна регресија, се користат неколку вообичаени индикатори:
– R² (коефициент на детерминација)
Го покажува процентот на варијација во Y што може да се објасни со моделот. Вредностите на R² се движат од 0–1. Колку е поголем R², толку повеќе варијации објаснува независната променлива. Сепак, голем R² не значи автоматски дека моделот е „точен“; може да се појави преферирање.
– Прилагодено R²
Верзија на R² што го зема предвид бројот на независни променливи. Ова помага да се споредат модели со различен број на променливи.
– F тест (симултан)
Тестирање дали независните променливи заедно имаат значаен ефект врз Y.
– t-тест (делумен)
Проверете дали секој коефициент (b1, b2, итн.) е статистички значаен.
Со овој тест, истражувачите можат да проценат дали моделот е корисен и кои варијабли всушност придонесуваат.
-
Предности и ограничувања на повеќекратната регресија
Вишок
– Пореално бидејќи зема предвид многу фактори одеднаш.
– Може да се користи за предвидување и објаснување.
– Овозможува анализа на делумни ефекти (контрола на други варијабли).
– Тоа е основа за многу напредни методи во статистиката и машинското учење.
Ограничувања
– Подложни на мултиколинеарност.
– Резултатите можат да бидат погрешни ако претпоставките не се исполнети.
– Не укажува автоматски на причинско-последична врска; регресијата покажува поврзаност, а причинско-последичната врска бара силен истражувачки дизајн.
– Преуредување може да се случи ако има премногу променливи во споредба со количината на податоци.
-
Затворање
Повеќекратната регресија е важна статистичка алатка за анализа на врската помеѓу една зависна променлива и повеќе независни променливи. Користејќи релативно едноставна равенка, овој метод им помага на истражувачите и практичарите да ги разберат влијателните фактори, да ја измерат јачината на влијанието на секоја променлива и да направат поточни предвидувања отколку користењето на еден фактор сам.
Сепак, повеќекратната регресија не е „магична алатка“. Таа бара добар квалитет на податоците, разумен избор на варијабли и проверка на претпоставките за да се обезбеди точна интерпретација. Кога се користи соодветно, повеќекратната регресија може да обезбеди солидна основа за донесување одлуки базирани на податоци во различни области.
Доколку сакате, можам да ви помогнам да креирате верзија од овој напис за специфичен контекст (на пр., за теза, за бизнис или за читатели од средно училиште) заедно со едноставни примери за пресметка и како да читате резултати од SPSS/Excel/R.
