Статистикийн шугаман регресс
Шугаман регресс нь өгөгдлийн шинжилгээнд хамгийн үндсэн бөгөөд өргөн хэрэглэгддэг статистикийн аргуудын нэг юм. Энэ нь бидэнд бие даасан (эсвэл урьдчилан таамаглагч) болон хамааралтай (эсвэл хариу үйлдэл үзүүлдэг) хувьсагчдын хоорондын хамаарлыг ойлгож, загварчлахад тусалдаг. Шугаман регресс нь энгийн бөгөөд тайлбарлах боломжтой тул эдийн засаг, биологи, инженерчлэл, нийгмийн ухаан гэх мэт олон салбарт түгээмэл хэрэглэгддэг.
Шугаман регрессийн танилцуулга
Шугаман регресс нь хоёр ба түүнээс дээш хувьсагчдын хоорондох шугаман хамаарлыг олох зорилготой. Хамгийн энгийн хэлбэрээр буюу энгийн шугаман регрессээр бид нэг бие даасан хувьсагч ба нэг хамааралтай хувьсагчийн хоорондох хамаарлыг шулуун шугам хэлбэрээр загварчилдаг. Энгийн шугаман регрессийн үндсэн математикийн тэгшитгэлийг дараах байдлаар илэрхийлнэ.
\[ Y = \beta_0 + \beta_1X + \epsilon \]
Хаана:
– \$Y \$$ нь хамааралтай буюу хариу үйлдэл үзүүлэх хувьсагч юм.
– \$X \$$ нь бие даасан буюу урьдчилан таамаглагч хувьсагч юм.
– \$ \beta_0 \$$ нь огтлолцол (регрессийн шугам Y тэнхлэгтэй огтлолцдог цэг).
– \$ \beta_1 \$$ нь регрессийн шугамын налуу (налуу) юм.
– \$ \epsilon \$$ нь өгөгдлийн хамгийн сайн тохирох мөрөөс хазайлтыг тодорхойлдог алдаа (үлдэгдэл) юм.
Олон шугаман регрессийн үед бид энэ ойлголтыг нэгээс олон бие даасан хувьсагчийг дараах байдлаар боловсруулахад өргөжүүлнэ.
\[ Y = \beta_0 + \beta_1X_1 + \beta_2X_2 + … + \beta_nX_n + \epsilon \]
Энд, \$X_1, \X_2, …, \beta_n \$$ нь бие даасан хувьсагчууд бөгөөд \$\beta_1, \beta_2, …, \beta_n \$$ нь бие даасан хувьсагч бүрийн хамааралтай хувьсагч дээр үзүүлэх нөлөөг хэмждэг регрессийн коэффициентууд юм.
Параметрийн тооцоолол
Шугаман регрессийн параметрийн тооцооллыг ихэвчлэн Ердийн Хамгийн Бага Квадратууд (OLS) ашиглан гүйцэтгэдэг. Энэ арга нь таамагласан болон бодит утгуудын хоорондох зөрүүний квадратуудын нийлбэрийг хамгийн бага байлгадаг. Математикийн хувьд OLS арга нь дараах функцийг хамгийн бага байлгадаг коэффициентуудыг олдог.
\[ \sum_{i=1}^{n} (Y_i – (\beta_0 + \beta_1X_{i1} + \beta_2X_{i2} + … + \beta_nX_{in}))^2 \]
Энэхүү багасгах үйл явц нь боломжтой өгөгдөлд хамгийн сайн тохирох коэффициентуудыг гаргаж, нийт квадрат алдааг хамгийн бага байлгах регрессийн шугамыг өгдөг.
Шугаман регрессийн таамаглалууд
Үр дүнгийн зөв хэрэглээ болон найдвартай байдлын хувьд шугаман регресс нь хангасан байх ёстой хэд хэдэн таамаглалтай байдаг.
1. Шугаман байдал: Бие даасан болон хамааралтай хувьсагчдын хоорондын хамаарал нь шугаман байна.
2. Бие даасан байдал: Үлдэгдэл (алдаа) нь бие биенээсээ хамааралгүй байдаг.
3. Гомоскедастик чанар: Үлдэгдэл дисперс нь бие даасан хувьсагчийн бүх утгуудад тогтмол байна.
4. Хэвийн байдал: Үлдэгдэл нь хэвийн тархалтыг дагадаг.
Хэрэв эдгээр таамаглалууд зөрчигдвөл регрессийн үр дүн буруу бөгөөд төөрөгдүүлж болзошгүй. Тиймээс дүгнэлт гаргахаасаа өмнө эдгээр таамаглалыг регрессийн оношлогоогоор баталгаажуулах нь чухал юм.
Хэрэглээ ба хэрэглээ
Шугаман регресс нь энгийн бөгөөд олон талт байдлаасаа шалтгаалан өргөн хэрэглэгддэг. Төрөл бүрийн салбарт хэрэглэгдэж буй зарим жишээг энд оруулав.
1. Эдийн засаг: Барааны үнийг үйлдвэрлэлийн зардал, зах зээлийн эрэлт гэх мэт хүчин зүйлүүдтэй холбох.
2. Санхүү: Эрсдэл эсвэл эдийн засгийн хүчин зүйлд үндэслэн хувьцааны өгөөжийг загварчлах.
3. Биологи: Тодорхой эмийн тун ба түүний үр нөлөөний түвшний хоорондын хамаарлыг судалдаг.
4. Нийгэм: Боловсрол ба орлогын хоорондын хамаарлыг шинжлэх.
Үүнээс гадна, шугаман регрессийг ихэвчлэн өгөгдөл урьдчилан таамаглах эсвэл урьдчилан таамаглахад ашигладаг. Түүхэн өгөгдлийн чиг хандлагыг шинжилснээр шугаман регрессийг ирээдүйн утгыг урьдчилан таамаглахад ашиглаж болно.
Загварын үнэлгээ
Шугаман регрессийн загварын үнэлгээг загвар нь өгөгдлийг хангалттай бөгөөд хангалттай тайлбарлаж байгаа эсэхийг баталгаажуулахын тулд хийдэг. Энэхүү загварын үнэлгээнд хэд хэдэн үзүүлэлтийг байнга ашигладаг бөгөөд үүнд:
– R-квадрат (R^2): Регрессийн загвараар тайлбарласан хамааралтай хувьсагчийн нийт хувьсах чанарын эзлэх хувийг хэмждэг. R^2 утгууд нь 0-ээс 1 хооронд хэлбэлздэг бөгөөд өндөр утга нь илүү сайн загварыг илтгэнэ.
– Тохируулсан R-квадрат: Ашигласан бие даасан хувьсагчдын тоонд үндэслэн R-квадратыг залруулдаг бөгөөд F-статистикийг загварын нийт ач холбогдлыг тодорхойлоход ихэвчлэн ашигладаг.
– Дундаж квадрат алдаа (MSE): Бодит болон таамагласан утгуудын хоорондох квадрат зөрүүний дундаж.
Оношлогоо ба баталгаажуулалт
Регрессийн загварыг урьдчилан таамаглах эсвэл цаашид шийдвэр гаргахад ашиглахаас өмнө регрессийн оношилгоо хийх нь чухал юм. Зарим нийтлэг оношлогооны аргуудад дараахь зүйлс орно.
1. Үлдэгдэл график: Шугаман байдал ба гомоскедастик чанарыг үнэлнэ үү.
2. QQ график: Үлдэгдлийн хэвийн байдлыг үнэл.
3. Дурбин-Ватсоны тест: Үлдэгдэл автокорреляцийг шалгана.
4. Дисперсийн инфляцийн хүчин зүйл (ДИК): Бие даасан хувьсагчдын хоорондох мультиколлинеарыг тодорхойлох.
Эдгээр оношилгоог ашиглах нь болзошгүй асуудлуудыг тодорхойлоход тусалдаг бөгөөд хэрэглэгчдэд шаардлагатай тохируулга хийх эсвэл өгөгдөл хувиргах боломжийг олгодог.
Асуудал ба хязгаарлалтууд
Шугаман регресс нь хүчирхэг хэрэгсэл боловч хязгаарлалттай байдаг. Зарим нийтлэг асуудлуудад дараахь зүйлс орно.
– Мультиколлинеар: Бие даасан хувьсагчид хоорондоо өндөр хамааралтай байх үед үүсдэг. Энэ нь тогтворгүй коэффициентийн тооцоолол болон төөрөгдүүлсэн тайлбарт хүргэж болзошгүй.
– Гадны утга: Өгөгдлийн хэт өндөр утга нь регрессийн үр дүнг гажуудуулж болзошгүй.
– Шугаман бус байдал: Хэрэв хувьсагчдын хоорондын хамаарал шугаман бус байвал шугаман регресс нь тохиромжгүй байж болно. Зарим тохиолдолд шугаман бус загвар илүү тохиромжтой байж болно.
– Гетероскедастик чанар: Үлдэгдэл хувьсах чанарыг өөрчлөх нь коэффициентийн тооцооллыг үр ашиггүй болгож болзошгүй.
Дүгнэлт
Шугаман регресс нь өгөгдлийн шинжилгээнд чухал статистикийн арга юм. Шугаман регрессийг ашиглан бид нэг буюу хэд хэдэн бие даасан хувьсагч ба хамааралтай хувьсагчийн хоорондын хамаарлыг ойлгож, загварчилж чадна. Шугаман регресс нь энгийн бөгөөд тайлбарлахад хялбар хэрэгсэл боловч үр дүнг баталгаажуулахын тулд үндсэн таамаглалыг үргэлж шалгаж, регрессийн оношлогоо хийх нь чухал юм. Зарим хязгаарлалттай хэдий ч зөв арга барил, тохируулгатай бол шугаман регресс нь өргөн хүрээний олон практик хэрэглээнд маш хэрэгтэй арга хэвээр байна.
