Πίνακας περιεχομένων:

Τι είναι μια ανάλυση πολλαπλής παλινδρόμησης;
Τι είναι μια ανάλυση πολλαπλής παλινδρόμησης;

Βίντεο: Τι είναι μια ανάλυση πολλαπλής παλινδρόμησης;

Βίντεο: Τι είναι μια ανάλυση πολλαπλής παλινδρόμησης;
Βίντεο: Πολλαπλή Γραμμική Παλινδρόμηση Excel 2024, Νοέμβριος
Anonim

Πολλαπλή παλινδρόμηση είναι προέκταση απλής γραμμικής οπισθοδρόμηση Το Χρησιμοποιείται όταν θέλουμε να προβλέψουμε την τιμή μιας μεταβλητής με βάση την τιμή δύο ή περισσοτέρων άλλων μεταβλητών. Η μεταβλητή που θέλουμε να προβλέψουμε ονομάζεται εξαρτημένη μεταβλητή (ή μερικές φορές, μεταβλητή αποτελέσματος, στόχος ή κριτήριο).

Με αυτόν τον τρόπο, ποιο είναι ένα παράδειγμα πολλαπλής παλινδρόμησης;

Για παράδειγμα , αν κάνετε ένα πολλαπλή παλινδρόμηση για να προσπαθήσετε να προβλέψετε την αρτηριακή πίεση (η εξαρτημένη μεταβλητή) από ανεξάρτητες μεταβλητές όπως το ύψος, το βάρος, η ηλικία και οι ώρες άσκησης την εβδομάδα, θα θέλατε επίσης να συμπεριλάβετε το φύλο ως μία από τις ανεξάρτητες μεταβλητές σας.

Κάποιος μπορεί επίσης να ρωτήσει, γιατί η πολλαπλή παλινδρόμηση είναι σημαντική; Αυτό είναι, πολλαπλούς γραμμικός οπισθοδρόμηση Η ανάλυση μας βοηθά να καταλάβουμε πόσο θα αλλάξει η εξαρτημένη μεταβλητή όταν αλλάξουμε τις ανεξάρτητες μεταβλητές. Για παράδειγμα, α πολλαπλούς γραμμικός οπισθοδρόμηση μπορεί να σας πει πόσο GPA αναμένεται να αυξηθεί (ή να μειωθεί) για κάθε αύξηση (ή μείωση) ενός πόντου στο IQ.

Δεύτερον, τι είναι η πολυγραμμική παλινδρόμηση;

Ο στόχος του πολλαπλή γραμμική παλινδρόμηση (MLR) είναι να μοντέλο ο γραμμικός σχέση μεταξύ των επεξηγηματικών (ανεξάρτητων) μεταβλητών και της (εξαρτημένης) μεταβλητής απόκρισης. Στην ουσία, πολλαπλή παλινδρόμηση είναι η επέκταση των συνηθισμένων ελαχίστων τετραγώνων (OLS) οπισθοδρόμηση που περιλαμβάνει περισσότερες από μία επεξηγηματικές μεταβλητές.

Πώς αναλύετε την πολλαπλή παλινδρόμηση;

Ερμηνεύστε τα βασικά αποτελέσματα για την πολλαπλή παλινδρόμηση

  1. Βήμα 1: Προσδιορίστε εάν η συσχέτιση μεταξύ της απάντησης και του όρου είναι στατιστικά σημαντική.
  2. Βήμα 2: Προσδιορίστε πόσο ταιριάζει το μοντέλο στα δεδομένα σας.
  3. Βήμα 3: Καθορίστε αν το μοντέλο σας πληροί τις παραδοχές της ανάλυσης.

Συνιστάται: