Podíl:
Prostory, metoda a použití více lineárních regresí
vícenásobná lineární regrese je výpočetní nástroj, který zkoumá vztahy příčiny a účinku objektů studia a testuje složité hypotézy.
Používá se v matematice a statistice. Tento typ lineární regrese vyžaduje závislé proměnné (jinými slovy výsledky) a nezávislé proměnné (tj. Příčiny), které navazují na hierarchický řád, kromě dalších faktorů, které jsou vlastní různým oblastem studia..
Obvykle je lineární regrese ta, která je reprezentována lineární funkcí, která je vypočtena ze dvou závislých proměnných. To má jako svůj nejdůležitější případ ten, ve kterém studovaný fenomén má přímou linii regrese.
V dané datové sadě (X1, Y1) (xn, yn) a hodnoty odpovídající dvojici náhodných proměnných v přímém vztahu k sobě navzájem, rovný regrese může mít, pro spuštění, forma rovnice, jako y = a · x + b .
Teoretické základy výpočtu ve vícenásobné lineární regresi
Jakýkoliv výpočet s použitím vícenásobné lineární regrese bude hodně záviset na studovaném objektu a oblasti studia, jako je ekonomika, protože proměnné způsobují, že použité vzorce mají složitosti, které se liší podle případu..
To znamená, že čím složitější je otázka, tím více faktorů musí být vzato v úvahu, tím více dat musí být shromážděno, a tím větší je objem prvků, které mají být zahrnuty do výpočtu, což bude vzorec větší..
Avšak běžné ve všech těchto vzorcích, že je zde svislá osa (svislá osa nebo osa Y) a vodorovné osy (x-ová osa nebo osa X) se vypočte graficky reprezentována kartézské soustavy.
Odtud jsou provedeny interpretace dat (viz další část) a jsou učiněny závěry nebo předpovědi. Za jakýchkoli okolností mohou být předvstupní prostory použity k vážení proměnných, například:
1 - Slabá exogenita
Znamená to, že proměnná by musela být přijata s pevnou hodnotou, která se může jen těžko přizpůsobit změnám svého modelu z důvodu vnějších příčin.
2- Lineární charakter
Znamená to, že hodnoty proměnných, stejně jako dalších parametrů a predikčních koeficientů, musí být zobrazeny jako lineární kombinace prvků, které lze v grafu znázornit v kartézském systému..
3- Homocedasticity
To musí být konstantní. Zde je míněno, že bez ohledu na prediktivní proměnné musí existovat stejná varianta chyb pro každou různou proměnnou odezvy.
4- Nezávislost
To platí pouze pro chyby proměnných odpovědí, které musí být zobrazeny izolovaně a nikoli jako skupina chyb, které představují definovaný vzor..
5- Absence vícečetnosti
Používá se pro nezávislé proměnné. Stává se to, když se snažíte něco studovat, ale je k dispozici jen velmi málo informací, takže může být mnoho odpovědí, a proto mohou mít hodnoty mnoho interpretací, které nakonec problém nevyřešují..
Existují i jiné předpoklady než jsou vzaty v úvahu, ale ty výše předložena, aby bylo jasné, že vícenásobná lineární regrese vyžaduje velké množství informací nejen mít přísnější, komplexní a bezplatné studium předpojatosti, ale tím, že řešení otázky návrh je konkrétní.
To znamená, že musí jít do bodu s něčím velmi specifickým, specifickým, který se nehodí k nejasnostem a že v menší míře to způsobuje chyby.
Mějte na paměti, že vícenásobná lineární regrese není neomylná a může být náchylná k chybám a nepřesnostem ve výpočtu. To není tolik kvůli tomu, kdo studii provádí, ale protože určitý fenomén přírody není zcela předvídatelný nebo nutně je produktem určité příčiny.
Často se stává, že se jakýkoli objekt může náhle změnit nebo že událost vzniká z akce (nebo nečinnosti) mnoha prvků, které spolu vzájemně ovlivňují.
Interpretace grafiky
Jakmile jsou data vypočtena podle modelů navržených v předchozích fázích studie, vzorce budou poskytovat hodnoty, které mohou být reprezentovány v grafu..
V tomto pořadí myšlenek, kartézský systém ukáže mnoho bodů, které odpovídají vypočítaným proměnným. Někteří budou více v ose ordinátů, zatímco jiní budou více v ose úseček. Někteří budou více seskupeni, zatímco jiní budou více izolovaní.
Abychom si všimli složitosti interpretace dat grafů, můžeme pozorovat například Ascombe Quartet. V tomto kvartetu se zpracovávají čtyři různé sady dat a každý z nich je v samostatném grafu, který si proto zaslouží samostatnou analýzu.
Linearita zůstává, ale body v kartézském systému musí být pozorně sledovány, než se dozvíte, jak se kousky skládačky spojují. Poté lze vyvodit relevantní závěry.
Samozřejmě existuje několik způsobů, jak tyto kusy zapadnout do sebe, i když podle různých metod, které jsou popsány ve specializovaných příručkách pro výpočet..
Mnohonásobná lineární regrese, jak již bylo řečeno, závisí na mnoha proměnných v závislosti na předmětu studia a oboru, ve kterém je aplikována, takže postupy v ekonomii nejsou stejné jako v medicíně nebo v počítačové vědě. Ve všech, ano, odhad je, hypotéza, která je pak kontrolována na konci.
Rozšíření vícenásobné lineární regrese
Existuje několik typů lineární regrese, jako je jednoduchá a obecná, ale existuje také několik aspektů vícenásobné regrese, které se přizpůsobují různým předmětům studia, a tedy potřebám vědy..
Ty obvykle zpracovávají velké množství proměnných, takže můžete často vidět modely, jako je multivariační nebo víceúrovňové. Každý z nich používá postuláty a vzorce různorodé složitosti, takže interpretace jejich výsledků má větší význam..
Metody odhadu
Existuje široká škála postupů pro odhad dat získaných ve vícenásobné lineární regresi.
Všechno zde bude opět záviset na pevnosti použitého modelu, vzorcích výpočtu, počtu proměnných, teoretických postulátech, které byly vzaty v úvahu, oblasti studia, algoritmech, které jsou programovány ve specializovaných počítačových programech, a , par excellence, komplexnost analyzovaného objektu, jevu nebo události.
Každá metoda odhadu používá zcela odlišné vzorce. Žádný není dokonalý, ale má jedinečné přednosti, které by měly být použity v souladu s provedenou statistickou studií.
Tam jsou všechny druhy: Instrumentální proměnné generalizované nejmenších čtverců, Bayesian lineární regrese, smíšené modely, Tichonov legalizační, kvantilová regrese Nástroj pro odhad Theil-Sen a dlouhý seznam nástrojů, které můžete studovat data přesněji.
Praktická použití
Mnohočetná lineární regrese se používá v různých oborech studia a v mnoha případech je pro získání přesnějších dat nutná pomoc počítačových programů..
Tímto způsobem jsou redukovány okraje chyb, které mohou vzniknout z ručních výpočtů (vzhledem k přítomnosti mnoha nezávislých a závislých proměnných, není divu, že tento typ lineární regrese se hodí k chybám, protože existuje mnoho dat a faktorů) zpracovaný).
Například v analýze tržních trendů se zkoumá, zda se zvýšily a snížily údaje, jako jsou ceny výrobku, ale především kdy a proč.
Když je analyzován právě tehdy, jsou-li v daném časovém období významné změny v číslech, zejména pokud jsou změny neočekávané. Proč hledáte přesné nebo pravděpodobné faktory, kterými by se tento produkt zvyšoval, snižoval nebo udržoval svou maloobchodní cenu?.
Podobně, zdravotní vědy (medicína, Bioanalýza, lékárna, epidemiologie, atd.) Se využívají s roztroušenou lineární regresní studii, v níž zdravotní ukazatele, jako je úmrtí, nemocnosti a narození.
V těchto případech můžeme vycházet ze studie, která začíná pozorováním, ačkoli poté je vytvořen model, který určuje, zda je změna některých uvedených ukazatelů způsobena určitou konkrétní příčinou, kdy a proč.
Finance také využívají vícenásobné lineární regrese ke zkoumání výhod a nevýhod provádění určitých investic. Zde je vždy nutné vědět, kdy jsou provedeny finanční transakce, s kým a jaké byly očekávané přínosy.
Úrovně rizika budou vyšší nebo nižší v souladu s různými faktory, které jsou zohledněny při hodnocení kvality těchto investic, s přihlédnutím také k objemu měnové výměny.
Je však v ekonomice, kde je tento výpočetní nástroj nejpoužívanější. Proto se v této vědě používá vícenásobná lineární regrese s cílem predikovat výdaje na spotřebu, investiční náklady, nákupy, vývozy, dovozy, aktiva, poptávku po pracovní síle, pracovní nabídky a mnoho dalších prvků..
Všechny z nich se týkají makroekonomie a mikroekonomie, které jsou první, kde jsou proměnné analýzy dat hojnější, protože se nacházejí globálně..
Odkazy
- Baldor, Aurelio (1967). Rovinná a prostorová geometrie, úvod do trigonometrie. Caracas: Editorial Cultura Venezolana, S.A..
- Fakultní nemocnice Ramón y Cajal (2017). Vícenásobný lineární regresní model. Madrid, Španělsko: HRC, Madridské společenství. Získáno z www.hrc.es.
- Pedhazur, Elazar J. (1982). Vícečetná regrese v behaviorálním výzkumu: Vysvětlení a predikce, 2. vydání. New York: Holt, Rinehart & Winston.
- Rojo Abuín, J.M. (2007). Vícečetná lineární regrese Madrid, Španělsko: Centrum pro lidské a sociální vědy. Získané z humanities.cchs.csic.es.
- Autonomní univerzita v Madridu (2008). Vícečetná lineární regrese Madrid, Španělsko: UAM. Obnoveno z web.uam.es.
- Univerzita A Coruña (2017). Vícenásobný lineární regresní model; Korelace La Coruña, Španělsko: UDC, katedra matematiky. Obnoveno z dm.udc.es.
- Uriel, E. (2017). Vícečetná lineární regrese: odhad a vlastnosti. Valencia, Španělsko: Univerzita ve Valencii. Obnoveno z www.uv.es.
- Barrio Castro, Tomás del; Clar López, Miquel a Suriñach Caral, Jordi (2002). Vícečetný lineární regresní model: specifikace, odhad a kontrast. Katalánsko: UOC Editorial.