შეგვიძლია შევასრულოთ რეგრესია არაწრფივ მონაცემებზე?
შეგვიძლია შევასრულოთ რეგრესია არაწრფივ მონაცემებზე?
Anonim

არაწრფივი რეგრესია შეიძლება მოერგება სხვა მრავალი სახის მოსახვევებს, მაგრამ ის შეუძლია მოითხოვს მეტ ძალისხმევას, როგორც საუკეთესო მორგების პოვნაში, ასევე ინტერპრეტაცია დამოუკიდებელი ცვლადების როლი. გარდა ამისა, R-კვადრატი არ მოქმედებს არაწრფივი რეგრესია და ეს შეუძლებელია გამოთვალეთ p-მნიშვნელობები პარამეტრების შეფასებისთვის.

ამ გზით, შეიძლება თუ არა რეგრესია იყოს არაწრფივი?

სტატისტიკაში, არაწრფივი რეგრესია არის ფორმა რეგრესია ანალიზი, რომელშიც დაკვირვების მონაცემები მოდელირებულია ფუნქციით, რომელიც არის a არაწრფივი მოდელის პარამეტრების კომბინაცია და დამოკიდებულია ერთ ან მეტ დამოუკიდებელ ცვლადზე. მონაცემები დაყენებულია თანმიმდევრული მიახლოების მეთოდით.

შეიძლება ასევე ვიკითხოთ, არის თუ არა r კვადრატი მხოლოდ წრფივი რეგრესისთვის? ზოგადი მათემატიკური ჩარჩო ამისთვის რ - კვადრატში არ გამოდის სწორად, თუ რეგრესიის მოდელი არ არის ხაზოვანი . მიუხედავად ამ პრობლემისა, სტატისტიკური პროგრამული უზრუნველყოფის უმეტესობა მაინც ითვლის რ - კვადრატში არაწრფივი მოდელებისთვის. თუ იყენებთ რ - კვადრატში რომ აირჩიოთ საუკეთესო მოდელი , მიჰყავს სათანადო მხოლოდ მოდელი შემთხვევების 28-43%.

ამასთან დაკავშირებით, როგორ გამოვთვალოთ არაწრფივი რეგრესია?

თუ თქვენი მოდელი იყენებს განტოლება Y = a სახით0 + ბ1X1, ეს არის ხაზოვანი რეგრესია მოდელი. თუ არა, ეს არის არაწრფივი.

Y = f(X, β) + ε

  1. X = p პროგნოზირების ვექტორი,
  2. β = k პარამეტრების ვექტორი,
  3. f(-) = ცნობილი რეგრესიული ფუნქცია,
  4. ε = შეცდომის ტერმინი.

რა არის რეგრესიის ტიპები?

რეგრესიის სახეები

  • ხაზოვანი რეგრესია. ეს არის რეგრესიის უმარტივესი ფორმა.
  • პოლინომიური რეგრესია. ეს არის არაწრფივი განტოლების მორგების ტექნიკა დამოუკიდებელი ცვლადის პოლინომიური ფუნქციების აღებით.
  • ლოგისტიკური რეგრესია.
  • Quantile რეგრესია.
  • ქედის რეგრესია.
  • ლასოს რეგრესია.
  • ელასტიური ბადის რეგრესია.
  • ძირითადი კომპონენტების რეგრესია (PCR)

გირჩევთ: