Table of Contents
تجزیه و تحلیل رگرسیون یک روش آماری است که برای مدل سازی رابطه بین یک متغیر وابسته و یک یا چند متغیر مستقل استفاده می شود.این به درک چگونگی ارزش معمول تغییرات متغیر وابسته کمک می کند، زمانی که هر یک از متغیرهای مستقل متنوع است، در حالی که دیگران ثابت شده اند.
محاسبه در تحلیل بازگشت
محاسبه هسته در رگرسیون شامل برآورد ضریب هایی است که تفاوت بین مقادیر مشاهده شده و پیش بینی شده را به حداقل می رساند. رایج ترین روش حداقل مربع است که مجموع باقیمانده های مربعی را به حداقل می رساند.
محاسبات کلیدی شامل:
- محاسبه ی معنی متغیرهای
- محاسبات c تخمدان و تفاوت
- استفاده از فرمول های مانند (FLT:0β = (X)) ^-1 X {FLT:1}
- بررسی نعمت های مناسب با R-squared
تکنیک های انتخاب مدل
انتخاب مدل مناسب رگرسیون شامل ارزیابی معیارهای مختلف برای تعادل پیچیدگی مدل و دقت تکنیک های مشترک است:
- R-squared
- Akaike Information Criterion (AIC)
- zi Information Criterion (BIC)
- روش های عبور-validation
این تکنیک ها به انتخاب مدل هایی که به خوبی به داده های جدید تعمیم می دهند و از بیش از حد اجتناب می کنند، کمک می کنند.
بررسی های عملی
هنگام انجام تجزیه و تحلیل رگرسیون، مهم است که فرضیاتی مانند خطی بودن، استقلال، هموسگی و عادی بودن باقی مانده ها را بررسی کنیم.
پیش پردازش داده ها، از جمله مدیریت ارزش های از دست رفته و مقیاس پذیری ویژگی، می تواند عملکرد مدل و ثبات محاسبه را بهبود بخشد.