Regressioanalyysikaava

Regressioanalyysi on riippuvan ja riippumattoman muuttujan välisen suhteen analyysi, koska se kuvaa kuinka riippuva muuttuja muuttuu, kun yksi tai useampi itsenäinen muuttuja muuttuu tekijöistä johtuen, kaava sen laskemiseksi on Y = a + bX + E, missä Y on riippuva muuttuja, X on riippumaton muuttuja, a on leikkauspiste, b on kaltevuus ja E on jäännös.

Regressio on tilastollinen työkalu ennustamaan riippuvainen muuttuja yhden tai useamman riippumattoman muuttujan avulla. Regressioanalyysin suorittamisen aikana tutkijan päätarkoitus on selvittää riippuvan muuttujan ja riippumattoman muuttujan suhde. Riippuvan muuttujan ennustamiseksi valitaan yksi tai useita itsenäisiä muuttujia, jotka voivat auttaa ennustamaan riippuvaa muuttujaa. Se auttaa vahvistamaan, ovatko ennustemuuttujat riittävän hyviä riippuvaisen muuttujan ennustamisessa.

Regressioanalyysikaava yrittää löytää riippuvalle muuttujalle parhaan sovituslinjan riippumattomien muuttujien avulla. Regressioanalyysiyhtälö on sama kuin yhtälö, joka on

y = MX + b

Missä,

Y = regressioyhtälön riippuva muuttuja
M = regressioyhtälön kaltevuus
x = regressioyhtälön riippuva muuttuja
B = yhtälön vakio

Selitys

Regressiota suoritettaessa tutkijan päätarkoitus on selvittää riippuvan muuttujan ja riippumattoman muuttujan suhde. Riippuvan muuttujan ennustamiseksi valitaan yksi tai useita itsenäisiä muuttujia, jotka voivat auttaa ennustamaan riippuvaa muuttujaa. Regressioanalyysi auttaa vahvistamaan, ovatko ennustemuuttujat riittävän hyviä riippuvaisen muuttujan ennustamisessa.

Esimerkkejä

Voit ladata tämän regressioanalyysin kaavan Excel-mallin täältä - regressioanalyysin kaavan Excel-malli

Esimerkki 1

Yritetään ymmärtää regressioanalyysin käsite esimerkin avulla. Yritetään selvittää, mikä on suhde kuorma-auton kuljettajan kulkeman matkan ja kuorma-auton kuljettajan iän välillä. Joku todella tekee regressioyhtälön vahvistaakseen, onko regressioyhtälö validoinut sen, mitä hän ajattelee kahden muuttujan välisestä suhteesta.

Alla on annettu laskentatiedot

Regressioanalyysin laskemiseksi siirry Excelin Data-välilehteen ja valitse sitten data-analyysivaihtoehto. Katso seuraava laskentamenetelmä tästä artikkelista - Analysis ToolPak Excelissä

Edellä olevan esimerkin regressioanalyysikaava on

y = MX + b
y = 575,754 * -3,121 + 0
y = -1797

Tässä nimenomaisessa esimerkissä näemme, mikä muuttuja on riippuvainen muuttuja ja mikä muuttuja on riippumaton muuttuja. Riippuva muuttuja tässä regressioyhtälössä on kuorma-auton kuljettajan tekemä matka ja itsenäinen muuttuja on kuorma-auton kuljettajan ikä. Tämän riippuvaisten ja riippumattomien muuttujien joukon regressio osoittaa, että riippumaton muuttuja on hyvä ennustaja riippuvaiselle muuttujalle, jolla on kohtuullisen korkea määrityskerroin. Analyysi auttaa vahvistamaan, että riippumattoman muuttujan muodossa olevat tekijät on valittu oikein. Alla oleva tilannekuva kuvaa muuttujien regressiotuloksen. Tietojoukko ja muuttujat esitetään liitteenä olevassa Excel-taulukossa.

Esimerkki 2

Yritetään ymmärtää regressioanalyysi toisen esimerkin avulla. Yritetään selvittää, mikä on luokan opiskelijoiden pituuden ja näiden opiskelijoiden GPA-arvon suhde. Joku todella tekee regressioyhtälön vahvistaakseen, onko regressioyhtälö validoinut sen, mitä hän ajattelee kahden muuttujan välisestä suhteesta.

Tässä esimerkissä alla annetaan tiedot Excelin laskemista varten

Regressioanalyysin laskeminen, siirry Data-välilehteen Excelissä ja valitse sitten data-analyysivaihtoehto.

Yllä olevan esimerkin regressio on

y = MX + b
y = 2,65 * 0,0034 + 0
y = 0,009198

Tässä nimenomaisessa esimerkissä näemme, mikä muuttuja on riippuvainen muuttuja ja mikä muuttuja on riippumaton muuttuja. Riippuva muuttuja tässä regressioyhtälössä on opiskelijoiden GPA ja itsenäinen muuttuja on opiskelijoiden korkeus. Tämän riippuvaisten ja riippumattomien muuttujien joukon regressioanalyysi osoittaa, että riippumaton muuttuja ei ole hyvä ennustaja riippuvaiselle muuttujalle, koska määrityskertoimen arvo on merkityksetön. Tässä tapauksessa meidän on löydettävä toinen ennustava muuttuja ennustamaan riippuvainen muuttuja regressioanalyysille. Alla oleva tilannekuva kuvaa muuttujien regressiotuloksen. Tietojoukko ja muuttujat esitetään liitteenä olevassa Excel-taulukossa.

Osuvuus ja käyttötarkoitukset

Regressio on erittäin hyödyllinen tilastollinen menetelmä. Kaikissa liiketoimintapäätöksissä voidaan vahvistaa hypoteesi, jonka mukaan tietty toimenpide johtaa divisioonan kannattavuuden kasvuun, voidaan vahvistaa riippuvaisen ja riippumattoman muuttujan regressiotuloksen perusteella. Regressioanalyysiyhtälöllä on erittäin tärkeä rooli rahoitusmaailmassa. Paljon ennustamista tehdään regressiolla. Esimerkiksi tietyn segmentin myynti voidaan ennustaa etukäteen makrotaloudellisten indikaattoreiden avulla, joilla on erittäin hyvä korrelaatio kyseisen segmentin kanssa. Sekä lineaariset että moninkertaiset regressiot ovat hyödyllisiä harjoittajille ennusteiden tekemiseksi riippuvaisista muuttujista ja validoimaan myös riippumattomat muuttujat riippuvien muuttujien ennustajina.

seychellesartprojects.org