Analiza regresji jest często używanym narzędziem w statystyce. Co pozwala badać relacje między różnymi zmiennymi ilościowymi. To poprzez formułowanie równań matematycznych.
Patrząc z innej strony, wspomniana analiza jest procesem lub modelem, który analizuje powiązanie między zmienną zależną a co najmniej jedną zmienną niezależną. Tak więc na podstawie tego badania znaleziono zależność matematyczną.
Dzięki procesom regresji można zrozumieć, jak na zmienną zależną wpływają zmiany pozostałych czynników.
Aplikacje do analizy regresji
Jednym z głównych zastosowań analizy regresji jest projekcja z różnymi scenariuszami. To biorąc pod uwagę stopień wpływu (w statystyce określa się to mianem korelacji) na zmienną zależną.
Oznacza to, że celem analizy jest skonstruowanie funkcji umożliwiającej oszacowanie przyszłej wartości badanej zmiennej.
Z innego punktu widzenia regresja pozwala na obliczenie warunkowego (średniego) oczekiwania. W tym celu przyjmuje się wartości zmiennych niezależnych jako podane.
Należy zauważyć, że biorąc pod uwagę tylko jedną zmienną niezależną, mówimy o prostej regresji liniowej. Z drugiej strony, jeśli uwzględni się więcej czynników, będzie to wielokrotna regresja liniowa.
Analiza regresji ma zastosowanie w życiu codziennym. To na podstawie badania wypadków drogowych na określonym obszarze geograficznym, aby sprawdzić, czy program nauczania jest zalecany na przykład zgodnie ze wskaźnikiem rezygnacji.
Krytyka analizy regresji
Powszechną krytyką tego typu matematycznego modelu predykcyjnego jest to, że nie jest on optymalny, ponieważ ma tendencję do mylenia korelacji z przyczynowością.
Oznacza to, że na przykład można ustalić matematyczną zależność między wzrostem gospodarczym a częstotliwością opadów w kraju. Jeśli jednak nie ma podstaw teoretycznych łączących te zmienne, badanie jest nieistotne, ponieważ jest to fałszywa zależność.
Przykład analizy regresji
Spójrzmy na bardzo prosty przykład analizy regresji. Załóżmy, że firma chce obliczyć zapotrzebowanie na określony towar.
Jako zmienną niezależną przyjmiemy cenę produktu. Tak więc firma, na podstawie swoich danych historycznych, buduje równanie takie jak:
Zatem analiza regresji ma na celu znalezienie wartości a (współczynnik korelacji liniowej) i b.