Kas yra laipsniška regresija?
Regresinė analizė yra plačiai naudojamas statistinis metodas, kuriuo siekiama nustatyti ryšius tarp kintamųjų. Idėja yra kaupti svarbius duomenis, kad būtų galima priimti labiau pagrįstus sprendimus, ir tai yra įprasta praktika pasaulyje. Laipsninė regresija yra laipsniškas iteracinis regresijos modelio konstravimas, apimantis automatinį nepriklausomų kintamųjų parinkimą. Statistinių programinės įrangos paketų prieinamumas leidžia laipsniškai regresuoti net modeliuose, kuriuose yra šimtai kintamųjų.
Laipsniškos regresijos tipai
Pagrindinis laipsniškos regresijos tikslas - per testų serijas (F testai, t testai) rasti nepriklausomų kintamųjų rinkinį, kuris daro didelę įtaką priklausomam kintamajam. Tai atliekama su kompiuteriais per iteraciją, tai yra procesas, kurio metu pasiekiami rezultatai ar sprendimai, einant pakartotinius analizės raundus ar ciklus. Automatinis testų atlikimas naudojant statistinių programinės įrangos paketų pranašumą - tai leidžia sutaupyti laiko asmeniui.
Pagrindiniai išvežamieji daiktai
- Regresinė analizė yra statistinis metodas, kuriuo siekiama suprasti ir išmatuoti ryšius tarp nepriklausomų ir priklausomų kintamųjų. Laipsniška regresija yra metodas, tiriantis kiekvieno modelio nepriklausomo kintamojo statistinį reikšmingumą. Išankstinis atrankos metodas prideda kintamąjį ir tada testuoja statistinį reikšmingumą..Atgalinis pašalinimo metodas prasideda modeliu, į kurį įdedama daugybė kintamųjų, o po to pašalinamas vienas kintamasis, kad būtų patikrinta jo svarba, palyginti su bendrais rezultatais. Laipsniška regresija turi daug kritikų, nes duomenys yra tinkami modeliui pasiekti norimą rezultatą.
Laipsnišką regresiją galima pasiekti išbandžius vieną nepriklausomą kintamąjį vienu metu ir įtraukiant jį į regresijos modelį, jei jis yra statistiškai reikšmingas, arba į modelį įtraukiant visus galimus nepriklausomus kintamuosius ir pašalinant tuos, kurie nėra statistiškai reikšmingi. Kai kurie naudojasi abiejų metodų deriniu, todėl yra trys laipsniško regresijos metodai:
- Pirmyn atranka prasideda be jokių kintamųjų modelyje, išbandomi visi kintamieji, kai jie pridedami prie modelio, po to išlaikomi tie, kurie laikomi statistiškai reikšmingiausiais - kartojant procesą, kol rezultatai bus optimalūs. Grįžimas pašalinamas iš nepriklausomų kintamųjų, ištrynimas vienu metu, tada bandymas, siekiant nustatyti, ar pašalintas kintamasis yra statistiškai reikšmingas. Kryptinis pašalinimas yra pirmųjų dviejų metodų derinys, kuriuo tikrinami, kurie kintamieji turėtų būti įtraukti arba neįtraukti.
Laipsniško regresijos, naudojant atgalinio eliminavimo metodą, pavyzdys būtų bandymas suprasti gamykloje sunaudojamą energiją naudojant tokius kintamuosius kaip įrangos veikimo laikas, įrangos amžius, personalo dydis, temperatūra lauke ir metų laikas. Į modelį įeina visi kintamieji - tada kiekvienas jų pašalinamas po vieną, kad būtų galima nustatyti, kuris yra statistiškai reikšmingiausias. Galų gale modelis gali parodyti, kad reikšmingiausias yra metų laikas ir temperatūra, galbūt galima daryti išvadą, kad didžiausias energijos suvartojimas gamykloje yra tada, kai oro kondicionierių yra daugiausiai.
Laipsniškos regresijos apribojimai
Regresinė analizė, tiek tiesinė, tiek daugiamatė, šiandien plačiai naudojama investiciniame pasaulyje. Idėja dažnai yra ieškoti praeityje egzistavusių modelių, kurie ateityje taip pat gali pasikartoti. Pvz., Paprastas tiesinis regresas gali apžvelgti kainų ir pajamų santykį bei atsargų grąžą per daugelį metų, kad būtų galima nustatyti, ar atsargos, kurių mažas P / E santykis (nepriklausomas kintamasis) teikia didesnę grąžą (priklausomas kintamasis). Šio požiūrio problema yra ta, kad rinkos sąlygos dažnai keičiasi, o santykiai, buvę praeityje, nebūtinai yra teisingi dabartyje ar ateityje.
Tuo tarpu laipsniškas regresijos procesas turi daug kritikų ir netgi yra raginimų visiškai atsisakyti šio metodo. Statistikai atkreipia dėmesį į keletą požiūrio trūkumų, įskaitant neteisingus rezultatus, būdingą paties proceso šališkumą ir būtinybę turėti didelę skaičiavimo galią, kad iteracijos būdu būtų sukurti sudėtingi regresijos modeliai.
