לינעאַרע רעגרעסיע: די יסוד פון דאַטן אַנאַליז און פאָרויסזאָגן
לינעאַרע רעגרעסיע איז איינע פון די מערסט גענוצטע סטאַטיסטישע מעטאָדן אין וויסנשאַפטלעכער פאָרשונג און דאַטן אַנאַליז. מיט וואָרצלען אין סטאַטיסטיק און מאַטעמאַטיק, העלפֿט לינעאַרע רעגרעסיע אונדז פֿאַרשטיין און פֿאָרויסזאָגן די באַציִונג צווישן צוויי אָדער מער וועריאַבאַלן. דער אַרטיקל וועט דיסקוטירן די יסודות פֿון לינעאַרער רעגרעסיע, אירע אַפּליקאַציעס, ווי אַזוי זי צו קאָנסטרויִרן, און אירע בענעפֿיטן און לימיטאַציעס.
הקדמה: וואָס איז לינעאַרע רעגרעסיע?
לינעאַרע רעגרעסיע ווערט גענוצט צו מאָדעלירן די באַציִונג צווישן אומאָפּהענגיקע און אָפּהענגיקע וועריאַבלען. מען נעמט אָן אַז דאָס מאָדעל איז לינעאַר, דאָס הייסט אַז אַן ענדערונג פון איין איינהייט אין דער אומאָפּהענגיקער וועריאַבלע רעזולטירט אין אַ קאָנסטאַנטע ענדערונג אין דער אָפּהענגיקער וועריאַבלע. למשל, מיר קענען נוצן לינעאַרע רעגרעסיע צו פאָרויסזאָגן עקזאַמען סקאָרז באַזירט אויף דער צאָל שעה פון לערנען, אָדער הויז פּרייזן באַזירט אויף לאַנד שטח.
פּשוט לינעאַר רעגרעסיע מאָדעל
א פשוטע לינעארע רעגרעסיע מאָדעל נעמט אריין בלויז איין אומאפהענגיקע וועריאַבל און איין אפהענגיקע וועריאַבל. דאס מאָדעל ווערט אָפט פאָרמולירט ווי \( y = b_0 + b_1x \), וואו:
– \(y \) איז די אפהענגיקע וועריאַבל.
– \(x \) איז די אומאפהענגיקע וועריאַבל.
– \( b_0 \) איז דער אינטערסעפּשאַן.
– \(b_1 \) איז דער רעגרעסיע קאָעפיציענט וואָס רעפּרעזענטירט די שיפּוע פון דער ליניע.
מאָדעל פֿאַר קייפל לינעאַרע רעגרעסיע
מולטיפּלע לינעאַרע רעגרעסיע נעמט אריין מער ווי איין אומאָפּהענגיקע וועריאַבל. דאָס מאָדעל איז פאָרמולירט ווי \( y = b_0 + b_1x_1 + b_2x_2 + … + b_nx_n \). דאָס דערמעגלעכט אונדז צו באַטראַכטן קייפל פאַקטאָרן אין פאָרויסזאָגן די אָפּהענגיקע וועריאַבל.
שאַצונג מעטאָד: קלענסטע קוואַדראַטן
איינע פון די הויפּט מעטאָדן גענוצט צו אָפּשאַצן פּאַראַמעטערס אין לינעאַר רעגרעסיע איז די קלענסטע קוואַדראַטן מעטאָד. די מעטאָד צילט צו מינימיזירן די סומע פון די קוואַדראַטן פון די דיפעראַנסיז צווישן די באמערקטע און געשאצטע ווערטן. מיט אַנדערע ווערטער, מיר זוכן די ווערטן פון \(b_0 \) און \(b_1 \) וואָס מינימיזירן די קאָסטן פונקציע:
[ J(b_0, b_1) = \sum_{i=1}^{n} (y_i – (b_0 + b_1x_i))^2 \]
אינטערסעפּט (\(b_0\)) און סלאָופּ (\(b_1\))
דער אינטערסעפּציע איז דער פונקט וואו די רעגרעסיע ליניע דורכשניידט די \(y \) אַקס ווען \(x \) איז נול. די שיפּוע ווייזט די ענדערונג אין \(y \) צוליב אַ ענדערונג אין \(x \). למשל, אויב אַ רעגרעסיע צווישן לערן שעה און טעסט סקאָרס גיט אַ שיפּוע פון 2, מיינט דאָס אַז פֿאַר יעדער נאָך שעה פון לערנען, וועט דער טעסט סקאָר וואַקסן מיט צוויי פונקטן.
ווי צו רעכענען רעגרעסיע גלייכונגען
צו רעכענען די פּאַראַמעטערס _(b_0_) און _(b_1_) אין פּשוטער לינעאַרער רעגרעסיע, קענען מיר נוצן די פאלגענדע פאָרמולע:
[b_1 = \frac{n(\sum xy) – (\sum x)(\sum y)}{n(\sum x^2) – (\sum x)^2} \]
[b_0 = \frac{(\sum y)(\sum x^2) – (\sum x)(\sum xy)}{n(\sum x^2) – (\sum x)^2} \]
וואו \(n \) איז די צאָל פון אָבסערוואַציעס, \( \sum \) רעפּרעזענטירט די סאַמיישאַן פאָרעם (אַדיציע).
לינעאַר רעגרעסיע אַפּלאַקיישאַן
לינעאַרע רעגרעסיע האט אַ ברייטע קייט פון אַפּליקאַציעס אין פֿאַרשידענע פֿעלדער פון וויסנשאַפֿט, אַרייַנגערעכנט:
עקאָנאָמיק און פינאַנץ
אין עקאנאמיק און פינאנץ, ווערט לינעארע רעגרעסיע גענוצט צו מאָדעלירן די באַציִונג צווישן פֿאַרשידענע עקאָנאָמישע אינדיקאַטאָרן. למשל, די באַציִונג צווישן הכנסה און קאָנסומפּציע, אַקציע־פּרייזן און האַנדל־וואָלומען, אָדער אַרבעטסלאָזיקייט און אינפֿלאַציע.
היגיענע
אין געזונטהייטסזאָרג, קען מען ניצן לינעאַרע רעגרעסיע צו פאָרויסזאָגן קלינישע רעזולטאַטן ווי בלוטדרוק באַזירט אויף גוף מאַסע אינדעקס (BMI), אָדער די שייכות צווישן מעדיקאַמענט דאָזע און פּאַציענט אָפּזוך קורס.
Pemasaran
לינעאַרע רעגרעסיע ווערט אויך גענוצט אין מאַרקעטינג צו אַנאַליזירן פארקויפונג דאַטן, פאָרויסזאָגן פּראָדוקט פאָדערונג, און באַשטימען די עפעקטיווקייט פון גאַנצע קאַמפּיינז.
אינזשעניריע און וויסנשאפט
אין אינזשעניריע און וויסנשאפט, ווערט לינעארע רעגרעסיע אָפט גענוצט צו מאָדעלירן באַציִונגען צווישן פיזישע וועריאַבלען. למשל, די באַציִונג צווישן דרוק און שפּאַנונג אין אַ מאַטעריאַל, אָדער צווישן טעמפּעראַטור און טערמישע קאַנדאַקטיוויטי.
בענעפיטן פון לינעארער רעגרעסיע
פּשוט און גרינג צו פֿאַרשטיין
איינער פון די הויפּט מעלות פון לינעאַרער רעגרעסיע איז איר פּשוטקייט. דאָס מאָדעל איז גרינג צו פֿאַרשטיין און אינטערפּרעטירן, מאַכנדיג עס אַ גרויס געצייַג פֿאַר פּרעזענטאַציעס און קאָמוניקאַציע.
באַזע פֿאַר אַנדערע מעטאָדן
לינעאַרע רעגרעסיע גיט אַ שטאַרקע יסוד פֿאַר מער קאָמפּליצירטע סטאַטיסטישע און מאַשין לערנען מעטאָדן. פילע אַוואַנסירטע מאָדעלן, ווי לאָגיסטישע רעגרעסיע און נעוראַלע נעטוואָרקס, זענען באַזירט אויף די פּרינציפּן פון לינעאַרער רעגרעסיע.
באַציִונג אידענטיפֿיקאַציע
לינעאַרע רעגרעסיע ערלויבט באַניצער צו ידענטיפיצירן און קוואַנטיפיצירן באַציִונגען צווישן וועריאַבאַלן, וואָס קענען ווערן גענוצט צו מאַכן אינפאָרמאַטיווע פאָרויסזאָגן און בעסערע באַשלוס-מאכן.
לימיטאַציעס פון לינעאַר רעגרעסיע
לינעאַריטעט אַסאַמפּשאַן
לינעאַרע רעגרעסיע נעמט אָן אַ לינעאַרע באַציִונג צווישן וועריאַבאַלן, וואָס איז נישט שטענדיק דער פאַל אין פאַקטישע דאַטן. פֿאַר נישט-לינעאַרע דאַטן, קענען אַנדערע מעטאָדן ווי פּאָלינאָמיאַלע רעגרעסיע אָדער נישט-פּאַראַמעטרישע מאָדעלן זיין מער פּאַסיק.
סענסיטיוו צו אויסנאַם־מענטשן
לינעאַרע רעגרעסיע מאָדעלן זענען זייער סענסיטיוו צו אויסנאַם-ווערטן (עקסטרעם ווערטן) וואָס קענען פֿאַרדרייען די רעזולטאַטן. דעריבער איז קריטיש וויכטיק צו דורכקוקן די דאַטן און אַדרעסירן אויסנאַם-ווערטן איידער מען דורכפֿירט רעגרעסיע אַנאַליז.
מולטיקאָלינעאַריטעט
אין מערפאכער לינעארער רעגרעסיע, פאסירט מולטיקאלינעאריטעט ווען אומאפהענגיקע וועריאַבלען זענען שטארק קארעלירט מיט יעדן אנדערן, וואס קען מאכן עס שווער צו גענוי אפשאצן קאעפיציענטן. דאס קען ווערן אדרעסירט מיט טעכניקעס ווי פרינציפאל קאמפאנענט אנאליז (PCA) אדער רעגולאריזאציע.
נישט כאַפּן קאָמפּלעקסיטעט
לינעאַרע רעגרעסיע איז אָפט נישט ביכולת צו כאַפּן מער קאָמפּליצירטע באַציִונגען צווישן וועריאַבאַלן. אין פילע פאַלן, קען מען דאַרפן מער קאָמפּליצירטע מאָדעלן ווי נישט-לינעאַרע רעגרעסיע אָדער מאַשין לערנען צו באַקומען מער פּינקטלעכע רעזולטאַטן.
קעסימפּולאַן
לינעאַרע רעגרעסיע איז אַ שטאַרק און פילזײַטיק געצייַג אין דאַטן אַנאַליז און פאָרויסזאָגן. טראָץ זײַן פּשוטקייט, אָפפערט דאָס מאָדעל אַ שטאַרקע יסוד פֿאַר פֿאַרשטיין באַציִונגען צווישן וועריאַבאַלן און מאַכן פאָרויסזאָגן באַזירט אויף היסטאָרישע דאַטן. דורך פֿאַרשטיין זײַנע בענעפֿיטן און לימיטאַציעס, קענען פֿאָרשער און אַנאַליסטן נוצן לינעאַרע רעגרעסיע מער עפֿעקטיוו און פֿאַראַנטוואָרטלעך אין אַ פֿאַרשיידנקייט פֿון אַפּליקאַציעס.
אין מסקנא, צי איר זענט אַ סטודענט, פאָרשער, אָדער פּראָפעסיאָנאַל וואָס אַרבעט מיט דאַטן, וועט באַהערשן דעם באַגריף פון לינעאַר רעגרעסיע באַדייטנד פֿאַרבעסערן אייערע דאַטן אַנאַליז און באַשלוס-מאכן סקילז. אינטעגרירט לינעאַר רעגרעסיע אין אייערע אַנאַליטישע מכשירים, און איר וועט געפֿינען אַז אייער פֿאַרשטאַנד פֿון דאַטן און די באַציִונגען צווישן וועריאַבאַלן וועט זיך פֿאַרטיפֿן.
