మల్టిపుల్ రిగ్రెషన్ అంటే ఏమిటి?

మల్టిపుల్ రిగ్రెషన్ అంటే ఏమిటి?

మల్టిపుల్ రిగ్రెషన్ అనేది ఒక డిపెండెంట్ వేరియబుల్‌కు మరియు రెండు లేదా అంతకంటే ఎక్కువ ఇండిపెండెంట్ వేరియబుల్స్‌కు మధ్య ఉన్న సంబంధాన్ని అర్థం చేసుకోవడానికి ఉపయోగించే ఒక గణాంక విశ్లేషణ పద్ధతి. ఈ పద్ధతిని సామాజిక, ఆర్థిక, వ్యాపార, ఆరోగ్య, విద్యా మరియు డేటా సైన్స్ పరిశోధనలలో తరచుగా ఉపయోగిస్తారు, ఎందుకంటే అనేక కారకాలు సమిష్టిగా ఒక ఫలితాన్ని ఎలా ప్రభావితం చేస్తాయో ఇది వివరించగలదు.

ఉదాహరణకు, ఒక విద్యార్థి యొక్క పరీక్ష స్కోర్‌లను ఎవరైనా అంచనా వేయాలనుకుంటున్నారని అనుకుందాం. పరీక్ష స్కోర్‌లు (ఆధారిత చరరాశి) అనేవి చదువుకునే గంటలు, హాజరు, మరియు ట్యూటరింగ్ లభ్యత (స్వతంత్ర చరరాశులు) వంటి వాటిచే ప్రభావితం కావచ్చు. మల్టిపుల్ రిగ్రెషన్ ఈ క్రింది ప్రశ్నలకు సమాధానం ఇవ్వడానికి సహాయపడుతుంది: ఏ కారకాలు అత్యంత ప్రభావవంతమైనవి? ఇతర కారకాలను స్థిరంగా ఉంచినప్పుడు, చదువుకునే గంటలు పెరిగితే సగటు పరీక్ష స్కోర్ ఎంత పెరుగుతుంది?

-

బహుళ రిగ్రెషన్ యొక్క నిర్వచనం మరియు ఉద్దేశ్యం

సరళంగా చెప్పాలంటే, మల్టిపుల్ రిగ్రెషన్ యొక్క లక్ష్యం:

అనేక స్వతంత్ర చరరాశుల ఆధారంగా ఆధారిత చరరాశి విలువను అంచనా వేయండి.
2. ప్రతి స్వతంత్ర చరరాశి, ఆధారిత చరరాశిపై ఎంత ప్రభావాన్ని చూపుతుందో వివరించండి.
3. వాస్తవానికి ఒక దృగ్విషయం అనేక కారకాలచే ప్రభావితమైనప్పటికీ, మనం కేవలం ఒకే స్వతంత్ర చరరాశిని ఉపయోగించడం వల్ల తలెత్తే పక్షపాతాన్ని తగ్గిస్తుంది.
4. ఒక నిర్దిష్ట చరరాశి యొక్క ప్రభావాన్ని పరీక్షించేటప్పుడు ఇతర చరరాశులను నియంత్రించడం (నియంత్రణ).

సాధారణ రిగ్రెషన్‌తో, మనం ఒక ఫలితానికి ఒకే ఒక కారకానికి ఉన్న సంబంధాన్ని మాత్రమే చూస్తాము. అయితే, వాస్తవ ప్రపంచంలో, ప్రభావాలు తరచుగా ఒకదానిపై ఒకటి అతివ్యాప్తి చెందుతాయి. ఇక్కడే మల్టిపుల్ రిగ్రెషన్ మరింత వాస్తవికంగా మారుతుంది: ఇది ఒకేసారి అనేక చరరాశులను చేర్చడం ద్వారా "మొత్తం చిత్రాన్ని" చూడటానికి ప్రయత్నిస్తుంది.

-

బహుళ రిగ్రెషన్ సమీకరణం యొక్క సాధారణ రూపం

మల్టిపుల్ రిగ్రెషన్‌ను సాధారణంగా ఈ సమీకరణం రూపంలో రాస్తారు:

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

Keterangan:
– Y = ఆధారిత చరరాశి (దీనిని వివరించాలి/అంచనా వేయాలి)
– a = స్థిరాంకం (అన్ని Xలు 0 అయినప్పుడు Y విలువ)
– b1, b2, … bn = ప్రతి స్వతంత్ర చరరాశికి సంబంధించిన రిగ్రెషన్ గుణకాలు
– X1, X2, … Xn = స్వతంత్ర చరరాశులు
– e = దోషం/అవశేషం (Y లోని వైవిధ్యంలో మోడల్ ద్వారా వివరించలేని భాగం)

గుణకం b అనేది అత్యంత తరచుగా వ్యాఖ్యానించబడే అంశం. ఉదాహరణకు, b1 = 2,5 అయితే, ఇతర స్వతంత్ర చరరాశులు స్థిరంగా ఉన్నాయని భావిస్తే, X1 లో ప్రతి 1-యూనిట్ పెరుగుదల Y ని 2,5 మేర పెంచుతుంది. "మిగతావన్నీ స్థిరంగా ఉన్నప్పుడు" అనే పదబంధం ముఖ్యమైనది, ఎందుకంటే ఇది మల్టిపుల్ రిగ్రెషన్ యొక్క కీలక లక్షణాన్ని సూచిస్తుంది: ఇది ఒక చరరాశి యొక్క "పాక్షిక" ప్రభావాన్ని కొలుస్తుంది.

-

బహుళ రిగ్రెషన్ అప్లికేషన్ యొక్క ఉదాహరణ

సులభతరం చేయడానికి, ఇక్కడ ఒక సాధారణ వ్యాపార ఉదాహరణ ఉంది. ఒక కంపెనీ ఉత్పత్తి అమ్మకాలను (Y) ప్రభావితం చేసే కారకాలను తెలుసుకోవాలనుకుంటుందని అనుకుందాం. ఆ కంపెనీ డేటాను సేకరిస్తుంది:
– X1 = ప్రకటనల ఖర్చులు (మిలియన్ల రూపాయలలో)
– X2 = ఉత్పత్తి ధర (వేల రూపాయలలో)
– X3 = క్రియాశీల పునఃవిక్రేతల సంఖ్య

విశ్లేషణ ఫలితాలు ఈ సమీకరణాన్ని ఉత్పత్తి చేస్తాయి:
అమ్మకాలు = 100 + 8X1 – 5X2 + 12X3

వివరణ:
– స్థిరాంకం 100: ప్రకటనల ఖర్చులు, ధరలు మరియు పునఃవిక్రేతలను 0గా పరిగణించినప్పుడు, అమ్మకాలు 100 యూనిట్లుగా అంచనా వేయబడతాయి (ఇది కేవలం ఒక గణిత వివరణ మాత్రమే, కొన్నిసార్లు వాస్తవానికి ఇది అర్థరహితంగా ఉంటుంది).
– 8X1: ధర మరియు పునఃవిక్రేత మారకుండా ఉంటే, ప్రకటనల ఖర్చులో ప్రతి అదనపు 1 మిలియన్‌కు అమ్మకాలు 8 యూనిట్లు పెరుగుతాయని అంచనా.
– -5X2: ఇతర చరరాశులు స్థిరంగా ఉన్నట్లయితే, ధరలో ప్రతి 1 వేయి రూపాయల పెరుగుదలకు అమ్మకాలు 5 యూనిట్లు తగ్గుతాయని అంచనా.
– 12X3: ఇతర చరరాశులు స్థిరంగా ఉన్నట్లయితే, ప్రతి అదనపు 1 క్రియాశీల పునఃవిక్రేత అమ్మకాలను 12 యూనిట్లు పెంచుతాడు.

ఈ నమూనాతో, కంపెనీలు అమ్మకాల లక్ష్యాలను సాధించడానికి ప్రకటనలు, ధరలు మరియు పునఃవిక్రేతల సంఖ్యల కలయికను నిర్ణయించడం వంటి విధానాలను రూపొందించుకోవచ్చు.

-

మల్టిపుల్ రిగ్రెషన్‌ను ఎప్పుడు ఉపయోగించడం సముచితం?

మల్టిపుల్ రిగ్రెషన్ కింది సందర్భాలలో ఉపయోగించడానికి అనుకూలంగా ఉంటుంది:

1. మీరు అంచనా వేయాలనుకుంటున్న ఒక ప్రధాన ఫలితం (Y) ఉంది.
2. ఫలితాన్ని (X) ప్రభావితం చేస్తుందని అనుమానించబడే అంశం ఒకటి కంటే ఎక్కువ ఉంది.
3. డేటా సంఖ్యామానంలో ఉంటుంది లేదా సంఖ్యా రూపంలోకి మార్చబడుతుంది (ఉదాహరణకు, వర్గాలు డమ్మీలుగా మార్చబడతాయి).

పరిశోధనలో సిద్ధాంతాలను "పరీక్షించడానికి" కూడా ఈ పద్ధతిని ఉపయోగించవచ్చు. ఉదాహరణకు, పని అనుభవం మరియు నివాస ప్రాంతాన్ని పరిగణనలోకి తీసుకున్న తర్వాత కూడా ఆదాయంపై విద్య యొక్క ప్రభావం గణనీయంగా ఉందో లేదో పరీక్షించడం.

-

బహుళ రిగ్రెషన్‌లో ముఖ్యమైన అంచనాలు

ఫలితాలు చెల్లుబాటు కావాలంటే, మల్టిపుల్ రిగ్రెషన్‌లో పరిగణించవలసిన అనేక ఊహలు ఉన్నాయి:

1. సరళత
స్వతంత్ర మరియు ఆధారిత చరరాశుల మధ్య సంబంధం సరళంగా ఉంటుందని భావించబడుతుంది. వాస్తవ సంబంధం వక్రంగా (సరళేతరంగా) ఉంటే, సరళ నమూనా తక్కువ కచ్చితమైనది కావచ్చు.

2. అధిక మల్టీకోలినారిటీ లేదు
స్వతంత్ర చరరాశులు మరీ బలంగా పరస్పర సంబంధం కలిగి ఉండకూడదు. ఒకవేళ X1 మరియు X2 దాదాపు ఒకేలా ఉంటే, వాటి సంబంధిత ప్రభావాలను వేరు చేయడం కష్టమవుతుంది.

3. హోమోస్కెడాస్టిసిటీ
అవశేష విచలనం అన్ని అంచనా విలువలకు సాపేక్షంగా స్థిరంగా ఉంటుందని భావిస్తున్నారు. ఒక నిర్దిష్ట విలువ వద్ద అవశేషం పెద్దదిగా మారితే (హెటెరోస్కెడాస్టిసిటీ), అంచనా తక్కువ సమర్థవంతంగా ఉండవచ్చు.

4. అవశేషాల సాధారణత (తరచుగా కోరదగినది)
ముఖ్యంగా ప్రాముఖ్యత పరీక్ష ప్రయోజనాల కోసం, అవశేషాలు సుమారుగా సాధారణ పంపిణీని కలిగి ఉండాలి.

5. దోషాల స్వాతంత్ర్యం
పరిశీలనల మధ్య దోషాలు పరస్పర సంబంధం కలిగి ఉండకూడదు. ఈ సమస్య తరచుగా టైమ్ సిరీస్ డేటాలో తలెత్తుతుంది.

అంచనాలను తనిఖీ చేయడం సాధారణంగా అవశేష గ్రాఫ్‌లు, గణాంక పరీక్షలు (ఉదాహరణకు, మల్టీకోలినారిటీ కోసం VIF), మరియు ఇతర నిర్ధారణ విశ్లేషణల ద్వారా జరుగుతుంది.

-

మోడల్ నాణ్యతను కొలవడం: R² మరియు ప్రాముఖ్యత పరీక్షలు

మల్టిపుల్ రిగ్రెషన్‌లో, అనేక సాధారణ సూచికలు ఉపయోగించబడతాయి:

– R² (నిర్ణయ గుణకం)
మోడల్ ద్వారా Y లోని వైవిధ్యంలో ఎంత భాగాన్ని వివరించవచ్చో ఇది చూపిస్తుంది. R² విలువలు 0–1 మధ్య ఉంటాయి. R² ఎంత ఎక్కువగా ఉంటే, స్వతంత్ర చరరాశి అంత ఎక్కువ వైవిధ్యాన్ని వివరిస్తుంది. అయితే, అధిక R² ఉన్నంత మాత్రాన మోడల్ "సరైనది" అని దానంతట అదే అర్థం కాదు; ఓవర్‌ఫిట్టింగ్ జరగవచ్చు.

– సర్దుబాటు చేయబడిన R²
స్వతంత్ర చరరాశుల సంఖ్యను పరిగణనలోకి తీసుకునే R² యొక్క ఒక రూపం. ఇది వేర్వేరు సంఖ్యలో చరరాశులు ఉన్న నమూనాలను పోల్చడానికి సహాయపడుతుంది.

– F పరీక్ష (ఏకకాలంలో)
స్వతంత్ర చరరాశులు కలిసి Y పై గణనీయమైన ప్రభావాన్ని చూపుతున్నాయో లేదో పరీక్షించడం.

– t-పరీక్ష (పాక్షిక)
ప్రతి గుణకం (b1, b2, మొదలైనవి) గణాంకపరంగా ముఖ్యమైనదో కాదో పరీక్షించండి.

ఈ పరీక్షతో, పరిశోధకులు మోడల్ ఉపయోగకరంగా ఉందో లేదో మరియు ఏ చరరాశులు వాస్తవంగా దోహదపడతాయో అంచనా వేయగలరు.

-

బహుళ రిగ్రెషన్ యొక్క ప్రయోజనాలు మరియు పరిమితులు

కెలేబిహాన్
– ఇది ఒకేసారి అనేక అంశాలను పరిగణనలోకి తీసుకుంటుంది కాబట్టి మరింత వాస్తవికమైనది.
– అంచనా మరియు వివరణ కోసం ఉపయోగించవచ్చు.
– పాక్షిక ప్రభావ విశ్లేషణకు అనుమతిస్తుంది (ఇతర చరరాశుల నియంత్రణ).
– ఇది గణాంకాలు మరియు మెషిన్ లెర్నింగ్‌లోని అనేక అధునాతన పద్ధతులకు ఆధారం.

పరిమితులు
– బహుళ సహసంబంధానికి లోనయ్యే అవకాశం ఉంది.
– అంచనాలు నెరవేరకపోతే ఫలితాలు తప్పుదారి పట్టించవచ్చు.
– ఇది స్వయంచాలకంగా కారణ సంబంధాన్ని సూచించదు; రిగ్రెషన్ అనుబంధాన్ని చూపిస్తుంది, మరియు కారణత్వానికి బలమైన పరిశోధన రూపకల్పన అవసరం.
– డేటా పరిమాణంతో పోలిస్తే వేరియబుల్స్ చాలా ఎక్కువగా ఉంటే ఓవర్‌ఫిట్టింగ్ జరగవచ్చు.

-

పెనుటప్

ఒకే ఒక ఆధారిత చరరాశికి మరియు అనేక స్వతంత్ర చరరాశులకు మధ్య ఉన్న సంబంధాన్ని విశ్లేషించడానికి మల్టిపుల్ రిగ్రెషన్ ఒక ముఖ్యమైన గణాంక సాధనం. సాపేక్షంగా సరళమైన సమీకరణాన్ని ఉపయోగించి, ఈ పద్ధతి పరిశోధకులకు మరియు నిపుణులకు ప్రభావవంతమైన కారకాలను అర్థం చేసుకోవడానికి, ప్రతి చరరాశి యొక్క ప్రభావ బలాన్ని కొలవడానికి, మరియు కేవలం ఒకే కారకాన్ని ఉపయోగించడం కంటే మరింత కచ్చితమైన అంచనాలను వేయడానికి సహాయపడుతుంది.

అయితే, మల్టిపుల్ రిగ్రెషన్ అనేది ఒక "మాయా సాధనం" కాదు. ఖచ్చితమైన వివరణను నిర్ధారించడానికి దీనికి మంచి డేటా నాణ్యత, సహేతుకమైన వేరియబుల్ ఎంపిక మరియు అజంప్షన్ చెకింగ్ అవసరం. సముచితంగా ఉపయోగించినప్పుడు, మల్టిపుల్ రిగ్రెషన్ వివిధ రంగాలలో డేటా ఆధారిత నిర్ణయాలు తీసుకోవడానికి ఒక పటిష్టమైన పునాదిని అందించగలదు.

మీకు కావాలంటే, ఒక నిర్దిష్ట సందర్భం కోసం (ఉదాహరణకు, థీసిస్ కోసం, వ్యాపారం కోసం, లేదా ఉన్నత పాఠశాల విద్యార్థుల కోసం) ఈ వ్యాసం యొక్క ఒక రూపాన్ని రూపొందించడంలో నేను మీకు సహాయం చేయగలను. అందులో సులభమైన గణన ఉదాహరణలు మరియు SPSS/Excel/R అవుట్‌పుట్‌ను ఎలా చదవాలో కూడా ఉంటాయి.