Објави:
Мултипле Линеар Регрессион Премисес, Метход анд Усес
Тхе вишеструка линеарна регресија је алат за прорачун који истражује узрочно-последичне везе предмета проучавања и тестирања сложених хипотеза.
Користи се у математици и статистици. Овај тип линеарне регресије захтијева зависне варијабле (другим ријечима, резултате) и независне варијабле (то јест, узроке) који слиједе хијерархијски поредак, поред других фактора својствених различитим подручјима истраживања..
Обично, линеарна регресија је она која је представљена линеарном функцијом која се израчунава из две зависне променљиве. Ово је његов најважнији случај у коме је проучавани феномен равна линија регресије.
У датом скупу података (к1, и1) (кн, ин) и вриједности које одговарају пару случајних варијабли у директној корелацији једна с другом, регресиона линија може, за почетак, узети облик једнаџбе, као и = а · к + б .
Теоријске претпоставке прорачуна у вишеструкој линеарној регресији
Свако рачунање помоћу вишеструке линеарне регресије зависиће много о предмету који се проучава и области студије, као што је економија, будући да варијабле које користе формуле имају сложеност која варира у зависности од случаја.
То значи да што је питање сложеније, више фактора мора бити узето у обзир, више података мора бити прикупљено и због тога већи обим елемената треба укључити у израчун, што ће формулу учинити већом..
Међутим, уобичајена у свим овим формулама је да постоји вертикална оса (једна од ордината, или И оса) и хоризонтална оса (једна од апсциса, или Кс оса) која се након израчунавања графички приказује помоћу картезијанског система.
Одатле се праве интерпретације података (види следећи одељак) и доносе се закључци или предвиђања. У сваком случају, пре-статистичке просторије могу се користити за мерење варијабли, као што су следеће:
1- Слаба егзогеност
То значи да би се варијабла требала претпоставити са фиксном вриједношћу која се тешко може прилагодити промјенама у моделу због вањских узрока.
2 - Линеарни карактер
То подразумијева да вриједности варијабли, као и других параметара и коефицијената предвиђања, морају бити приказане као линеарна комбинација елемената који се могу приказати у графу, у Картезијевом систему..
3- Хомоцедастицити
Ово мора бити константно. Овде се мисли да, без обзира на предиктивне варијабле, мора постојати иста варијација грешака за сваку различиту варијаблу одговора.
4- Независност
Ово се односи само на грешке варијабли одговора, које морају бити приказане у изолацији, а не као група грешака које представљају дефинисани образац.
5- Одсуство мултиколинеарности
Користи се за независне варијабле. То се дешава када покушате да проучите нешто, али је врло мало информација на располагању, тако да може бити много одговора и стога вриједности могу имати много интерпретација, што у коначници не рјешава постављени проблем..
Постоје и друге претпоставке које се узимају у обзир, али горе представљене јасно показују да вишеструка линеарна регресија захтијева много информација не само да имају ригорознији, потпунији и без предрасуда, већ да рјешење питања приједлог је конкретан.
Односно, она мора ићи до тачке са нечим врло специфичним, специфичним, које се не могу подвргнути неодређености и да у мањој мери изазива грешке..
Имајте на уму да вишеструка линеарна регресија није непогрешива и може бити подложна грешкама и нетачностима у израчуну. То није толико због тога ко спроводи студију, већ зато што одређени феномен природе није потпуно предвидив или нужно производ одређеног узрока.
Често се дешава да се било који објекат може изненада промијенити или да догађај произлази из акције (или недјеловања) бројних елемената који међусобно дјелују.
Интерпретације графике
Када се подаци израчунају према моделима дизајнираним у претходним фазама студије, формуле ће дати вриједности које се могу приказати у графу.
У овом редоследу идеја, картезијански систем ће показати многе тачке које одговарају израчунатим варијаблама. Неки ће бити више у оси ордината, док ће други бити више у оси апсциса. Неки ће бити више групирани, док ће други бити изолованији.
Да бисмо приметили комплексност у интерпретацији података графикона, можемо приметити, на пример, Асцомбе квартет. У овом квартету се обрађују четири различита скупа података, а сваки од њих је у одвојеном графикону који, стога, заслужује засебну анализу..
Линеарност остаје, али тачке у картезијанском систему морају бити пажљиво посматране пре него што се зна како се делови слагалице сједињују. Тада се могу извући релевантни закључци.
Наравно, постоји неколико начина да се ови делови уклопе заједно, иако следе различите методе које су описане у специјализованим приручницима за прорачун..
Вишеструка линеарна регресија, као што је већ речено, зависи од многих варијабли у зависности од предмета студирања и поља у којем се примењује, тако да процедуре у економији нису исте као у медицини или у рачунарству. Све у свему, да, направљена је процјена, хипотеза која се затим провјерава на крају.
Продужење вишеструке линеарне регресије
Постоји неколико типова линеарне регресије, као што су једноставна и општа, али постоји и неколико аспеката вишеструке регресије који се прилагођавају различитим предметима проучавања и, према томе, потребама науке..
Они обично обрађују велики број варијабли, тако да често можете видјети моделе као што су мултиваријати или вишеразински. Сваки од њих користи постулате и формуле различите сложености, тако да тумачење њихових резултата има тенденцију да буде од већег значаја..
Методе процене
Постоји широк спектар процедура за процену података добијених у вишеструкој линеарној регресији.
Још једном, све ће овисити о чврстини модела који се користи, формулама за израчунавање, броју варијабли, теоретским постулатима који су узети у обзир, области истраживања, алгоритмима који су програмирани у специјализованим рачунарским програмима, и , пар екцелленце, комплексност објекта, феномена или догађаја који се анализирају.
Сваки метод процене користи потпуно различите формуле. Нико није савршен, али има јединствене врлине које треба користити у складу са спроведеном статистичком студијом.
Постоје све врсте: инструменталне варијабле, генерализовани најмањи квадрати, Баиесова линеарна регресија, мјешовити модели, Тијонов регуларизација, квантилна регресија, Тхеил-Сен процјенитељ и дуга листа алата којима се подаци могу проучавати с већом прецизношћу..
Практична употреба
Вишеструка линеарна регресија се користи у различитим областима студирања иу многим случајевима је потребна помоћ компјутерских програма како би се добили тачнији подаци.
На тај начин, границе грешке које могу настати из ручног прорачуна су смањене (с обзиром на присуство многих независних и зависних варијабли, није изненађујуће да овај тип линеарне регресије допушта грешке, будући да постоје многи подаци и фактори обрађено).
У анализи тржишних трендова, на примјер, испитује се да ли су се подаци попут цијена производа повећали и смањили, али прије свега када и зашто.
Када се анализира када су важне варијације у броју у датом временском периоду, углавном ако су промјене неочекиване. Зашто тражите прецизне или вјероватне факторе по којима се тај производ повећавао, смањивао или задржавао малопродајну цијену?.
Исто тако, здравствене науке (медицина, биоанализа, фармација, епидемиологија, између осталих) имају користи од вишеструке линеарне регресије, кроз коју проучавају здравствене показатеље као што су стопа смртности, морбидитет и наталитет..
У овим случајевима можемо почети од студије која почиње са посматрањем, иако се након тога прави модел да би се утврдило да ли је варијација неких од наведених индикатора последица неког специфичног узрока, када и зашто.
Финансије такође користе вишеструку линеарну регресију да би истражиле предности и недостатке одређених инвестиција. Овдје је увијек потребно знати када се изводе финансијске трансакције, с ким и које су очекиване користи.
Нивои ризика ће бити виши или нижи у складу са различитим факторима који се узимају у обзир приликом оцењивања квалитета ових инвестиција, узимајући у обзир и обим монетарне размене..
Међутим, то је у економији гдје се овај алат за израчунавање највише користи. Стога се у овој науци користи вишеструка линеарна регресија са циљем предвиђања потрошачких трошкова, инвестиционих трошкова, куповине, извоза, увоза, имовине, потражње за радном снагом, понуда за посао и многих других елемената..
Све су оне везане за макроекономију и микроекономију, будући да су прве варијабле за анализу података бројније јер се налазе глобално..
Референце
- Балдор, Аурелио (1967). Авионска и свемирска геометрија, са уводом у тригонометрију. Каракас: Уводник Цултура Венезолана, С.А..
- Универзитетска болница Рамон и Цајал (2017). Модел вишеструке линеарне регресије. Мадрид, Шпанија: ХРЦ, Заједница Мадрида. Преузето са ввв.хрц.ес.
- Педхазур, Елазар Ј. (1982). Вишеструка регресија у истраживању понашања: Објашњење и предвиђање, 2. издање. Нев Иорк: Холт, Ринехарт & Винстон.
- Ројо Абуин, Ј.М. (2007). Вишеструка линеарна регресија Мадрид, Шпанија: Центар за људске и друштвене науке. Рецоверед фром хуманитиес.ццхс.цсиц.ес.
- Аутономни универзитет у Мадриду (2008). Вишеструка линеарна регресија Мадрид, Испаниа: УАМ. Опорављено од веб.уам.ес.
- Универзитет у Коруњи (2017). Модел вишеструке линеарне регресије; Корелација Ла Цоруна, Шпанија: УДК, Одсек за математику. Опорављено од дм.удц.ес.
- Уриел, Е. (2017). Вишеструка линеарна регресија: процена и својства. Валенсиа, Испаниа: Университи оф Валенциа. Опорављено од ввв.ув.ес.
- Баррио Цастро, Томас дел; Цлар Лопез, Микуел и Суринацх Царал, Јорди (2002). Модел вишеструке линеарне регресије: спецификација, процена и контраст. Цаталониа: УОЦ Едиториал.