Mitu regressioonivalemit Mitme regressioonivõrrandi arvutamine

Mis on mitmekordne regressioonivalem?

Sõltuvate ja mitme sõltumatu muutuja vahelise suhte analüüsimisel kasutatakse mitut regressioonivalemit ja valemit esitatakse võrrandiga Y võrdub pluss bX1 pluss cX2 pluss dX3 pluss E, kus Y on sõltuv muutuja, X1, X2, X3 on sõltumatud muutujad , a on lõikepunkt, b, c, d on kalle ja E on jääkväärtus.

y = mx1 + mx2 + mx3 + b

Kus

  • Y = regressiooni sõltuv muutuja
  • M = regressiooni kalle
  • X1 = regressiooni esimene sõltumatu muutuja
  • X2 = regressiooni teine ​​sõltumatu muutuja
  • X3 = regressiooni kolmas sõltumatu muutuja
  • B = konstant

Regressioonanalüüsi valemi selgitus

Mitu regressiooni on meetod sõltuva muutuja ennustamiseks kahe või enama sõltumatu muutuja abil. Selle analüüsi läbiviimise ajal on uurija peamine eesmärk välja selgitada sõltuva muutuja ja sõltumatute muutujate seos. Sõltuva muutuja ennustamiseks valitakse mitu sõltumatut muutujat, mis aitavad sõltuvat muutujat ennustada. Seda kasutatakse juhul, kui lineaarne regressioon ei suuda eesmärki täita. Regressioonanalüüs aitab kontrollida, kas ennustajad on piisavalt head, et aidata sõltuvat muutujat ennustada.

Näited

Selle mitme regressioonivalemi Exceli malli saate alla laadida siit - mitme regressiooni valemi Exceli mall

Näide 1

Proovime ühe näite abil mõista mitme regressiooni analüüsi mõistet. Proovime välja selgitada, milline on seos UBER-juhi läbitud vahemaa ja juhi vanuse ning juhi aastate pikkuse kogemuse vahel.

Mitme regressiooni arvutamiseks minge Exceli vahekaardile Andmed ja valige seejärel andmete analüüsivõimalus. Edasise protseduuri ja arvutuse saamiseks vaadake siin toodud artiklit - Exceli Analysis ToolPak

Eespool toodud näite regressioonivalem on

  1. y = MX + MX + b
  2. y = 604,17 * -3,18 + 604,17 * -4,06 + 0
  3. y = -4377

Selles konkreetses näites näeme, milline muutuja on sõltuv muutuja ja milline on sõltumatu muutuja. Selle regressioonivõrrandi sõltuv muutuja on UBER-i juhi läbitud vahemaa ja sõltumatud muutujad on juhi vanus ja juhtimisel kogetud kogemuste arv.

Näide 2

Proovime teise näite abil mõista mitme regressiooni analüüsi mõistet. Proovime välja selgitada, milline on õpilaste klassi GPA seos õppetundide arvu ja õpilaste pikkusega.

Arvutamiseks minge Exceli vahekaardile Andmed ja valige seejärel andmete analüüsi valik.

Eespool toodud näite regressioonivõrrand on

y = MX + MX + b

y = 1,08 * 0,03 + 1,08 * -. 002 + 0

y = 0,025

 Selles konkreetses näites näeme, milline muutuja on sõltuv muutuja ja milline on sõltumatu muutuja. Selle regressiooni sõltuv muutuja on GPA ja sõltumatud muutujad on õppetunnid ja õpilaste pikkused.

Näide # 3

Proovime teise näite abil mõista mitme regressiooni analüüsi mõistet. Proovime välja selgitada, milline on seos organisatsiooni töötajate rühma palga, staažide arvu ja töötajate vanuse vahel.

Arvutamiseks minge Exceli vahekaardile Andmed ja valige seejärel andmete analüüsi valik.

Eespool toodud näite regressioonivõrrand on

  • y = MX + MX + b
  • y = 41308 * .- 71 + 41308 * -824 + 0
  • y = -37019

Selles konkreetses näites näeme, milline muutuja on sõltuv muutuja ja milline on sõltumatu muutuja. Selle regressioonivõrrandi sõltuv muutuja on palk ja sõltumatud muutujad on töötajate kogemused ja vanus.

Asjakohasus ja kasutamine

Mitmed regressioonid on väga kasulik statistiline meetod. Taandarengul on finantsmaailmas väga oluline roll. Regressioonanalüüsi abil tehakse palju prognoose. Näiteks saab konkreetse segmendi müüki ette ennustada makromajanduslike näitajate abil, millel on selle segmendiga väga hea seos.