Линейная регрессия против множественной регрессии: обзор
Регрессионный анализ является распространенным статистическим методом, используемым в финансах и инвестировании. Линейная регрессия является одним из наиболее распространенных методов регрессионного анализа. Множественная регрессия - это более широкий класс регрессий, который включает линейные и нелинейные регрессии с множеством объясняющих переменных.
Регрессия как инструмент помогает объединить данные, чтобы помочь людям и компаниям принимать обоснованные решения. В регрессии используются разные переменные, включая зависимую переменную - основную переменную, которую вы пытаетесь понять - и независимую переменную - факторы, которые могут влиять на зависимую переменную.
Чтобы регрессионный анализ работал, вы должны собрать все соответствующие данные. Он может быть представлен на графике с осью X и Y.
Есть несколько основных причин, по которым люди используют регрессионный анализ:
- Предсказать будущие экономические условия, тенденции или значения. Определить взаимосвязь между двумя или более переменными. Понять, как меняется одна переменная при изменении другой.
Существует много разных видов регрессионного анализа. Для целей этой статьи мы рассмотрим два: линейная регрессия и множественная регрессия.
Линейная регрессия
Это также называется простой линейной регрессией. Он устанавливает связь между двумя переменными, используя прямую линию. Линейная регрессия пытается нарисовать линию, которая ближе всего подходит к данным, найдя наклон и точку пересечения, которые определяют линию и минимизируют ошибки регрессии.
Если две или более объясняющих переменных имеют линейную зависимость с зависимой переменной, регрессия называется множественной линейной регрессией.
Многие взаимосвязи данных не следуют прямой линии, поэтому статистики используют нелинейную регрессию. Эти два схожи в том, что оба графически отслеживают определенный ответ от набора переменных. Но нелинейные модели являются более сложными, чем линейные модели, потому что функция создается с помощью ряда допущений, которые могут возникнуть в результате проб и ошибок.
Множественная регрессия
Редко когда зависимая переменная объясняется только одной переменной. В этом случае аналитик использует множественную регрессию, которая пытается объяснить зависимую переменную, используя более одной независимой переменной. Множественные регрессии могут быть линейными и нелинейными.
Множественные регрессии основаны на предположении, что между зависимыми и независимыми переменными существует линейная зависимость. Это также предполагает отсутствие значительной корреляции между независимыми переменными.
Как упоминалось выше, использование регрессионного анализа имеет несколько преимуществ. Эти модели могут быть использованы предприятиями и экономистами для принятия практических решений.
Компания может не только использовать регрессионный анализ, чтобы понять определенные ситуации, например, почему количество обращений в службу поддержки клиентов снижается, но и делать прогнозные прогнозы, такие как показатели продаж в будущем, и принимать важные решения, такие как специальные продажи и рекламные акции.
Линейная регрессия против множественной регрессии: пример
Рассмотрим аналитика, который хочет установить линейную зависимость между ежедневным изменением цен на акции компании и другими поясняющими переменными, такими как ежедневное изменение объема торгов и ежедневное изменение рыночной доходности. Если он запускает регрессию с ежедневным изменением цен на акции компании в качестве зависимой переменной и ежедневным изменением объема торговли в качестве независимой переменной, это может быть примером простой линейной регрессии с одной объясняющей переменной.
Если аналитик добавляет в регрессию ежедневное изменение рыночной доходности, это будет множественная линейная регрессия.
Ключевые вынос
- Регрессионный анализ является распространенным статистическим методом, используемым в финансах и инвестировании. Линейная регрессия является одним из наиболее распространенных методов регрессионного анализа. Множественная регрессия - это более широкий класс регрессий, который включает линейные и нелинейные регрессии с множеством объясняющих переменных.
