4 voorbeelden van het gebruik van lineaire regressie in het echte leven
Lineaire regressie is een van de meest gebruikte technieken in de statistiek. Het wordt gebruikt om de relatie tussen een of meer voorspellende variabelen en een responsvariabele te kwantificeren.
De meest basale vorm van lineaire regressie staat bekend als eenvoudige lineaire regressie , die wordt gebruikt om de relatie tussen een voorspellende variabele en een responsvariabele te kwantificeren.
Als we meerdere voorspellende variabelen hebben, kunnen we meerdere lineaire regressie gebruiken, die wordt gebruikt om de relatie tussen meerdere voorspellende variabelen en een responsvariabele te kwantificeren.
Deze tutorial toont vier verschillende voorbeelden van het gebruik van lineaire regressie in het echte leven.
Echte lineaire regressievoorbeeld #1
Bedrijven maken vaak gebruik van lineaire regressie om de relatie tussen advertentie-uitgaven en inkomsten te begrijpen.
Ze zouden bijvoorbeeld in een eenvoudig lineair regressiemodel kunnen passen, waarbij advertentie-uitgaven als voorspellende variabele en opbrengsten als responsvariabele worden gebruikt. Het regressiemodel zou de volgende vorm aannemen:
omzet = β 0 + β 1 (reclamekosten)
De coëfficiënt β 0 vertegenwoordigt de totale verwachte inkomsten wanneer de advertentie-uitgaven nul zijn.
De coëfficiënt β 1 vertegenwoordigt de gemiddelde verandering in de totale inkomsten wanneer de advertentie-uitgaven met één eenheid stijgen (bijvoorbeeld één dollar).
Als β 1 negatief is, zou dit betekenen dat een stijging van de advertentie-uitgaven gepaard gaat met een daling van de inkomsten.
Als β 1 bijna nul is, zou dit betekenen dat de advertentie-uitgaven weinig effect hebben op de inkomsten.
En als β1 positief is, zou dit betekenen dat meer advertentie-uitgaven gepaard gaan met meer inkomsten.
Afhankelijk van de waarde van β 1 kan een bedrijf besluiten zijn advertentie-uitgaven te verlagen of te verhogen.
Echte lineaire regressievoorbeeld #2
Medische onderzoekers gebruiken vaak lineaire regressie om de relatie tussen de dosering van geneesmiddelen en de bloeddruk van patiënten te begrijpen.
Onderzoekers kunnen bijvoorbeeld verschillende doses van een bepaald medicijn aan patiënten geven en observeren hoe hun bloeddruk reageert. Ze zouden kunnen passen in een eenvoudig lineair regressiemodel met dosering als voorspellende variabele en bloeddruk als responsvariabele. Het regressiemodel zou de volgende vorm aannemen:
bloeddruk = β 0 + β 1 (dosering)
De coëfficiënt β 0 zou de verwachte bloeddruk vertegenwoordigen wanneer de dosering nul is.
De coëfficiënt β 1 vertegenwoordigt de gemiddelde verandering in de bloeddruk wanneer de dosering met één eenheid wordt verhoogd.
Als β1 negatief is, zou dit betekenen dat een verhoging van de dosering gepaard gaat met een verlaging van de bloeddruk.
Als β1 dicht bij nul ligt, zou dit betekenen dat een verhoging van de dosering niet gepaard gaat met enige verandering in de bloeddruk.
Als β1 positief is, zou dit betekenen dat een verhoging van de dosering gepaard gaat met een verhoging van de bloeddruk.
Afhankelijk van de waarde van β 1 kunnen onderzoekers besluiten de dosering die aan een patiënt wordt toegediend aan te passen.
Echte lineaire regressievoorbeeld #3
Agronomen maken vaak gebruik van lineaire regressie om het effect van kunstmest en water op de gewasopbrengsten te meten.
Wetenschappers zouden bijvoorbeeld verschillende hoeveelheden kunstmest en water op verschillende velden kunnen gebruiken en zien hoe dat de gewasopbrengst beïnvloedt. Ze zouden kunnen passen in een meervoudig lineair regressiemodel met kunstmest en water als voorspellende variabelen en gewasopbrengst als responsvariabele. Het regressiemodel zou de volgende vorm aannemen:
gewasopbrengst = β 0 + β 1 (hoeveelheid kunstmest) + β 2 (hoeveelheid water)
De coëfficiënt β 0 vertegenwoordigt de verwachte gewasopbrengst zonder kunstmest of water.
De coëfficiënt β 1 vertegenwoordigt de gemiddelde verandering in de gewasopbrengst wanneer de kunstmest met één eenheid wordt verhoogd, ervan uitgaande dat de hoeveelheid water onveranderd blijft.
De coëfficiënt β 2 vertegenwoordigt de gemiddelde verandering in de gewasopbrengst wanneer het water met één eenheid wordt verhoogd, ervan uitgaande dat de hoeveelheid kunstmest onveranderd blijft.
Afhankelijk van de waarden van β1 en β2 kunnen wetenschappers de hoeveelheid kunstmest en water die wordt gebruikt veranderen om de gewasopbrengst te maximaliseren.
Echte lineaire regressievoorbeeld #4
Datawetenschappers voor professionele sportteams gebruiken vaak lineaire regressie om het effect van verschillende trainingsprogramma’s op de prestaties van spelers te meten.
NBA-datawetenschappers zouden bijvoorbeeld kunnen analyseren hoe verschillende hoeveelheden wekelijkse yoga- en gewichthefsessies het aantal punten dat een speler scoort, beïnvloeden. Ze zouden kunnen passen in een meervoudig lineair regressiemodel met behulp van yogasessies en gewichthefsessies als voorspellende variabelen en het totaal aantal gescoorde punten als responsvariabele. Het regressiemodel zou de volgende vorm aannemen:
gescoorde punten = β 0 + β 1 (yogasessies) + β 2 (gewichtheffensessies)
De coëfficiënt β 0 vertegenwoordigt de verwachte punten die worden gescoord voor een speler die niet deelneemt aan yogasessies en geen gewichthefsessies.
De coëfficiënt β 1 vertegenwoordigt de gemiddelde verandering in het aantal gescoorde punten wanneer de wekelijkse yogasessies met één worden verhoogd, ervan uitgaande dat het aantal wekelijkse gewichthefsessies ongewijzigd blijft.
De coëfficiënt β 2 vertegenwoordigt de gemiddelde verandering in het aantal gescoorde punten wanneer de wekelijkse gewichthefsessies met één worden verhoogd, ervan uitgaande dat het aantal wekelijkse yogasessies ongewijzigd blijft.
Afhankelijk van de waarden van β 1 en β 2 kunnen datawetenschappers aanbevelen dat een speler min of meer wekelijks deelneemt aan yoga- en gewichthefsessies om zijn gescoorde punten te maximaliseren.
Conclusie
Lineaire regressie wordt gebruikt in een grote verscheidenheid aan praktijksituaties in vele soorten industrieën. Gelukkig maakt statistische software het eenvoudig om lineaire regressie uit te voeren.
Voel je vrij om de volgende tutorials te verkennen om te leren hoe je lineaire regressie kunt uitvoeren met behulp van verschillende software:
Hoe u eenvoudige lineaire regressie uitvoert in Excel
Hoe u meerdere lineaire regressies uitvoert in Excel
Hoe meervoudige lineaire regressie uit te voeren in R
Hoe meervoudige lineaire regressie uit te voeren in Stata
Hoe lineaire regressie uit te voeren op een TI-84-rekenmachine
Über den Autor
Dr.benjamin anderson
Ik ben Benjamin, een gepensioneerde hoogleraar statistiek die nu een toegewijde Statorials-lesgever is. Ik heb uitgebreide ervaring en expertise op het gebied van statistiek en ik ben vastbesloten om mijn kennis te delen met studenten via Statorials. Lees verder