Mitä On Useita Lineaarinen Regressio (MLR)?
Useita lineaarinen regressio (MLR), tunnetaan myös yksinkertaisesti useita regressio on tilastollinen tekniikka, joka käyttää useita selittäviä muuttujia ennustaa vastemuuttuja. Tavoite useita lineaarinen regressio (MLR) on mallintaa lineaarisesti selittävien (riippumattomien) muuttujien ja vasteen (dependent) muuttuja.,
pohjimmiltaan, useita regressio on laajennus tavallinen pienimmän neliösumman (OLS) regression, koska se liittyy enemmän kuin yksi selittävä muuttuja.
Kaava ja Laskeminen Useita Lineaarinen Regressio
Key Takeaways
- Useita lineaarinen regressio (MLR), tunnetaan myös yksinkertaisesti useita regressio on tilastollinen tekniikka, joka käyttää useita selittäviä muuttujia ennustaa vastemuuttuja.,
- Multiple regression on lineaarisen (OLS) regression laajennus, jossa käytetään vain yhtä selittävää muuttujaa.
- MLR käytetään laajasti ekonometrian ja rahoituksen päättely.
Mitä Useita Lineaarinen Regressio (MLR) Voi Kertoa Teille,
Yksinkertainen lineaarinen regressio on toiminto, jonka avulla analyytikko tai tilastotieteilijä tehdä ennustuksia yhden muuttujan tietojen perusteella, että tiedetään toisen muuttujan. Lineaarista regressiota voidaan käyttää vain, jos toisessa on kaksi jatkuvaa muuttujaa-itsenäinen muuttuja ja riippuvainen muuttuja., Riippumaton muuttuja on parametri, jota käytetään laskea riippuvan muuttujan tai tuloksen. Moninkertainen regressiomalli ulottuu useisiin selittäviin muuttujiin.,g oletukset:
- Siellä on lineaarinen suhde riippuvat muuttujat ja riippumattomat muuttujat
- riippumattomat muuttujat eivät ole liian korreloi toistensa kanssa
- yi havainnot on valittu toisistaan riippumatta ja satunnaisesti perusjoukosta
- Jäämät tulisi olla normaalisti jakautunut, jonka keskiarvo on 0 ja varianssi σ
selitysaste (R-squared) on tilastollinen metrinen, jota käytetään mittaamaan, kuinka paljon vaihtelua tulos voidaan selittää vaihtelusta riippumattomia muuttujia., R2 aina kasvaa enemmän ennustajia lisätään MLR malli, vaikka ennustajia välttämättä ole liittyvät tulos-muuttujaan.
R2 itsessään voi siten käyttää tunnistamaan, mitkä ennustavat olisi sisällytettävä mallia, ja joka olisi jätettävä. R2 voi olla vain 0 ja 1 välillä, jossa 0 tarkoittaa, että lopputulosta ei voida ennustaa millään riippumattomien muuttujien ja 1 tarkoittaa, että tulos voidaan ennustaa ilman virheen riippumattomia muuttujia.,
tuloksia tulkittaessa useita regressio -, beeta-kertoimet ovat voimassa pitämällä muut muuttujat vakiona (”kaikki muu yhtä”). Moninkertaisen regression tuotos voidaan esittää vaakatasossa yhtälönä tai pystysuunnassa taulukkomuodossa.
Esimerkki Kuinka Käyttää Useita Lineaarinen Regressio (MLR)
esimerkiksi, analyytikko saattaa haluta tietää, miten liikkumista markkinoilla vaikuttaa hintaan Exxon (XOM)., Tässä tapauksessa, niiden lineaarinen yhtälö on arvo S&P 500-indeksi kuin riippumaton muuttuja, tai ennustaja, ja hinta XOM koska riippuva muuttuja.
todellisuudessa on useita tekijöitä, jotka ennustavat tapahtuman lopputulosta. Esimerkiksi ExxonMobilin hintaliike riippuu muustakin kuin kokonaismarkkinoiden toimivuudesta. Muista tekijöistä, kuten öljyn hinta, korkotaso, ja hinta liikkuu öljyn futuurit voi vaikuttaa hintaan XOM ja osakekurssit muut öljy-yhtiöt., Ymmärtääkseen suhdetta, jossa on enemmän kuin kaksi muuttujaa, käytetään useita lineaarisia regressioita.
Multiple linear regression (MLR) avulla määritetään matemaattinen suhde useiden satunnaismuuttujien kesken. Toisin sanoen MLR tutkii, miten useat riippumattomat muuttujat liittyvät yhteen riippuvaiseen muuttujaan. Kun jokainen riippumattomia tekijöitä on määritetty ennustaa riippuvan muuttujan, tietoa useita muuttujia voidaan käyttää luomaan tarkan ennusteen tasolla vaikutus niillä on tuloksiin muuttuja., Malli luo suhteen muodossa suora viiva (lineaarinen), joka parhaiten approksimoi kaikki yksittäiset datapisteet.,erest hinnat
pienimmän neliösumman estimaatit, B0, B1, B2…Bp, ovat yleensä lasketaan tilasto-ohjelmalla., Yhtä monta muuttujaa voidaan sisällyttää regressiomalliin, jossa jokainen itsenäinen muuttuja on eriytetty numerolla—1,2, 3, 4…p. multiple regressiomallin avulla analyytikko voi ennustaa lopputuloksen useiden selittävien muuttujien tietojen perusteella.
Edelleen, malli ei ole aina täysin tarkkoja, koska jokainen datapiste voi poiketa hieman tulos ennusti malli. Jäännösarvo E, mikä on ero todellisen tuloksen ja ennustettu tulos, on mukana mallissa huomioon tällaisia variaatioita.,
Olettaen, että me ajaa meidän XOM hinta regressiomallin kautta tilastojen laskenta ohjelmisto, joka palauttaa tämä lähtö:
analyytikko voisi tulkita tämän lähtö tarkoittaa, jos muut muuttujat pidetään vakiona, hinta XOM kasvaa 7.8% jos öljyn hinta markkinoilla nousee 1%. Malli osoittaa myös, että XOMIN hinta laskee 1.,5% korkojen noustua 1%. R2 ilmaisee, että 86,5% vaihtelut osakekurssi Exxon Mobil selittyy muutokset korko -, öljyn hinta, öljyn futuurit, ja S&P 500-indeksi.
Ero Lineaarinen ja Useita Regressio
Tavallinen lineaarinen neliösumman (OLS) regression vertaa vastaus on riippuvainen muuttuja, koska muutos joitakin selittäviä muuttujia. On kuitenkin harvinaista, että riippuvainen muuttuja selittyy vain yhdellä muuttujalla., Tässä tapauksessa, analyytikko käyttää useita regressio, joka yrittää selittää riippuvan muuttujan käyttää enemmän kuin yksi riippumaton muuttuja. Useat regressiot voivat olla lineaarisia ja epälineaarisia.
Useita taantumat perustuvat oletukseen, että on olemassa lineaarinen suhde sekä riippuvia ja riippumattomia muuttujia. Se ei myöskään oleta merkittävää korrelaatiota riippumattomien muuttujien välillä.,