<\/p>\n
Analiza regresji<\/strong> jest jedn\u0105 z najcz\u0119\u015bciej stosowanych technik statystycznych.<\/span><\/p>\n Podstawowym celem analizy regresji jest dopasowanie modelu, kt\u00f3ry najlepiej opisuje zwi\u0105zek pomi\u0119dzy jedn\u0105 lub wi\u0119ksz\u0105 liczb\u0105 zmiennych predykcyjnych azmienn\u0105 odpowiedzi<\/a> .<\/span><\/p>\n W tym artykule przedstawiamy 7 najcz\u0119\u015bciej u\u017cywanych modeli regresji w prawdziwym \u017cyciu wraz z informacj\u0105, kiedy nale\u017cy zastosowa\u0107 ka\u017cdy typ regresji.<\/span><\/p>\n Regresj\u0119 liniow\u0105 stosuje si\u0119 w celu dopasowania modelu regresji opisuj\u0105cego zwi\u0105zek mi\u0119dzy jedn\u0105 lub wi\u0119ksz\u0105 liczb\u0105 zmiennych predykcyjnych a numeryczn\u0105 zmienn\u0105 odpowiedzi.<\/span><\/p>\n U\u017cyj, gdy:<\/b><\/span><\/span><\/p>\n Przyk\u0142ad:<\/strong> firma zajmuj\u0105ca si\u0119 sprzeda\u017c\u0105 detaliczn\u0105 mo\u017ce dopasowa\u0107 model regresji liniowej, wykorzystuj\u0105c wydatki na reklam\u0119 do przewidywania ca\u0142kowitej sprzeda\u017cy.<\/span><\/p>\n Poniewa\u017c zwi\u0105zek mi\u0119dzy tymi dwiema zmiennymi jest prawdopodobnie liniowy (wi\u0119cej pieni\u0119dzy wydanych na reklam\u0119 zazwyczaj skutkuje wi\u0119ksz\u0105 sprzeda\u017c\u0105), a zmienna odpowiedzi (ca\u0142kowita sprzeda\u017c) jest ci\u0105g\u0142\u0105 zmienn\u0105 liczbow\u0105, sensowne jest dostosowanie modelu regresji liniowej.<\/span><\/p>\n Zas\u00f3b:<\/strong><\/span> Wprowadzenie do wielokrotnej regresji liniowej<\/a><\/p>\n Regresj\u0119 logistyczn\u0105 stosuje si\u0119 w celu dopasowania modelu regresji opisuj\u0105cego zwi\u0105zek mi\u0119dzy jedn\u0105 lub wi\u0119ksz\u0105 liczb\u0105 zmiennych predykcyjnych a binarn\u0105 zmienn\u0105 odpowiedzi.<\/span><\/p>\n U\u017cyj, gdy:<\/b><\/span><\/p>\n Przyk\u0142ad:<\/strong> Badacze medyczni mog\u0105 dopasowa\u0107 model regresji logistycznej, wykorzystuj\u0105c \u0107wiczenia fizyczne i palenie tytoniu, aby przewidzie\u0107 prawdopodobie\u0144stwo zawa\u0142u serca u danej osoby.<\/span><\/p>\n Poniewa\u017c zmienna reakcji (atak serca) jest binarna \u2013 dana osoba albo do\u015bwiadcza zawa\u0142u serca, albo nie \u2013 w\u0142a\u015bciwe jest dopasowanie modelu regresji logistycznej.<\/span><\/p>\n Zas\u00f3b:<\/strong><\/span> Wprowadzenie do regresji logistycznej<\/a><\/p>\n Regresj\u0119 wielomianow\u0105 stosuje si\u0119 w celu dopasowania modelu regresji opisuj\u0105cego zwi\u0105zek mi\u0119dzy jedn\u0105 lub wi\u0119ksz\u0105 liczb\u0105 zmiennych predykcyjnych a numeryczn\u0105 zmienn\u0105 odpowiedzi.<\/span><\/p>\n U\u017cyj, gdy:<\/b><\/span><\/p>\n Przyk\u0142ad:<\/strong> Psychologowie mog\u0105 dopasowa\u0107 regresj\u0119 wielomianow\u0105, korzystaj\u0105c z \u201eprzepracowanych godzin\u201d, aby przewidzie\u0107 \u201eog\u00f3lne szcz\u0119\u015bcie\u201d pracownik\u00f3w w okre\u015blonej bran\u017cy.<\/span><\/p>\n Zale\u017cno\u015b\u0107 mi\u0119dzy tymi dwiema zmiennymi jest prawdopodobnie nieliniowa. Oznacza to, \u017ce wraz ze wzrostem liczby godzin dana osoba mo\u017ce zg\u0142asza\u0107 wi\u0119ksze szcz\u0119\u015bcie, ale po przekroczeniu okre\u015blonej liczby przepracowanych godzin og\u00f3lne szcz\u0119\u015bcie prawdopodobnie spadnie. Poniewa\u017c ta zale\u017cno\u015b\u0107 mi\u0119dzy zmienn\u0105 predykcyjn\u0105 a zmienn\u0105 odpowiedzi jest nieliniowa, sensowne jest dopasowanie modelu regresji wielomianowej.<\/span><\/p>\n Zas\u00f3b:<\/strong><\/span> Wprowadzenie do regresji wielomianowej<\/a><\/p>\n Regresja grzbietowa s\u0142u\u017cy do dopasowania modelu regresji opisuj\u0105cego zwi\u0105zek mi\u0119dzy jedn\u0105 lub wi\u0119ksz\u0105 liczb\u0105 zmiennych predykcyjnych a numeryczn\u0105 zmienn\u0105 odpowiedzi.<\/span><\/p>\n U\u017cyj, gdy:<\/b><\/span><\/p>\n Przyk\u0142ad:<\/strong> Analityk zajmuj\u0105cy si\u0119 danymi dotycz\u0105cymi koszyk\u00f3wki mo\u017ce dopasowa\u0107 model regresji grzbietu, korzystaj\u0105c ze zmiennych predykcyjnych, takich jak punkty, asysty i zbi\u00f3rki, aby przewidzie\u0107 pensje zawodnik\u00f3w.<\/span><\/p>\n Zmienne predykcyjne b\u0119d\u0105 prawdopodobnie silnie skorelowane, poniewa\u017c lepsi gracze maj\u0105 zwykle wi\u0119cej punkt\u00f3w, asyst i zbi\u00f3rek. Zatem problemem mo\u017ce by\u0107 wieloliniowo\u015b\u0107, wi\u0119c mo\u017cemy zminimalizowa\u0107 ten problem, stosuj\u0105c regresj\u0119 grzbietow\u0105.<\/span><\/p>\n Zas\u00f3b:<\/strong><\/span> Wprowadzenie do regresji grzbietu<\/a><\/p>\n Regresja Lasso jest bardzo podobna do regresji Ridge’a i s\u0142u\u017cy do dopasowania modelu regresji opisuj\u0105cego zwi\u0105zek mi\u0119dzy jedn\u0105 lub wi\u0119ksz\u0105 liczb\u0105 zmiennych predykcyjnych a liczbow\u0105 zmienn\u0105 odpowiedzi.<\/span><\/p>\n U\u017cyj, gdy:<\/b><\/span><\/p>\n Przyk\u0142ad:<\/strong> Ekonomista mo\u017ce dopasowa\u0107 model regresji lassa, wykorzystuj\u0105c zmienne predykcyjne, takie jak \u0142\u0105czna liczba lat nauki, przepracowane godziny i koszty utrzymania, aby przewidzie\u0107 doch\u00f3d gospodarstwa domowego.<\/span><\/p>\n Zmienne predykcyjne s\u0105 prawdopodobnie silnie skorelowane, poniewa\u017c lepiej wykszta\u0142cone osoby zwykle mieszkaj\u0105 w miastach o wy\u017cszych kosztach \u017cycia i pracuj\u0105 wi\u0119cej godzin. Zatem problemem mo\u017ce by\u0107 wsp\u00f3\u0142liniowo\u015b\u0107, wi\u0119c mo\u017cemy go zminimalizowa\u0107, stosuj\u0105c regresj\u0119 lasso.<\/span><\/p>\n Nale\u017cy zauwa\u017cy\u0107, \u017ce regresja Lasso i regresja Ridge’a s\u0105 do\u015b\u0107 podobne. Gdy wieloliniowo\u015b\u0107 stanowi problem w zbiorze danych, zaleca si\u0119 dopasowanie zar\u00f3wno modelu regresji Lasso, jak i Ridge’a, aby sprawdzi\u0107, kt\u00f3ry model dzia\u0142a najlepiej.<\/span><\/p>\n Zas\u00f3b:<\/strong><\/span> Wprowadzenie do regresji Lasso<\/a><\/p>\n Regresja Poissona s\u0142u\u017cy do dopasowania modelu regresji opisuj\u0105cego zwi\u0105zek mi\u0119dzy jedn\u0105 lub wi\u0119ksz\u0105 liczb\u0105 zmiennych predykcyjnych a zmienn\u0105 odpowiedzi.<\/span><\/p>\n U\u017cyj, gdy:<\/b><\/span><\/p>\n Przyk\u0142ad:<\/strong> Uniwersytet mo\u017ce zastosowa\u0107 regresj\u0119 Poissona, aby sprawdzi\u0107 liczb\u0119 student\u00f3w, kt\u00f3rzy uko\u0144czyli okre\u015blony program studi\u00f3w na podstawie ich \u015bredniej ocen w chwili przyst\u0105pienia do programu i ich p\u0142ci.<\/span><\/p>\n Poniewa\u017c w tym przypadku zmienn\u0105 odpowiedzi s\u0105 dane liczebno\u015bci (mo\u017cemy \u201epoliczy\u0107\u201d liczb\u0119 absolwent\u00f3w \u2013 200, 250, 300, 413 itd.), celowe jest zastosowanie regresji Poissona.<\/span><\/p>\n Zas\u00f3b:<\/strong><\/span> Wprowadzenie do regresji Poissona<\/a><\/p>\n Regresj\u0119 kwantylow\u0105 stosuje si\u0119 w celu dopasowania modelu regresji opisuj\u0105cego zwi\u0105zek mi\u0119dzy jedn\u0105 lub wi\u0119ksz\u0105 liczb\u0105 zmiennych predykcyjnych a zmienn\u0105 odpowiedzi.<\/span><\/p>\n U\u017cyj, gdy:<\/b><\/span><\/p>\n Przyk\u0142ad:<\/strong> Profesor mo\u017ce zastosowa\u0107 regresj\u0119 kwantylow\u0105, aby przewidzie\u0107 oczekiwany 90. percentyl wynik\u00f3w egzaminu na podstawie liczby przestudiowanych godzin:<\/span><\/p>\n W tym przypadku, poniewa\u017c profesor chce przewidzie\u0107 konkretny percentyl zmiennej odpowiedzi (wyniki egzaminu), wskazane jest zastosowanie regresji kwantylowej.<\/span><\/p>\n Zas\u00f3b:<\/strong><\/span> Wprowadzenie do regresji kwantylowej<\/a><\/p>\n 4 przyk\u0142ady wykorzystania regresji liniowej w prawdziwym \u017cyciu<\/a> Analiza regresji jest jedn\u0105 z najcz\u0119\u015bciej stosowanych technik statystycznych. Podstawowym celem analizy regresji jest dopasowanie modelu, kt\u00f3ry najlepiej opisuje zwi\u0105zek pomi\u0119dzy jedn\u0105 lub wi\u0119ksz\u0105 liczb\u0105 zmiennych predykcyjnych azmienn\u0105 odpowiedzi . W tym artykule przedstawiamy 7 najcz\u0119\u015bciej u\u017cywanych modeli regresji w prawdziwym \u017cyciu wraz z informacj\u0105, kiedy nale\u017cy zastosowa\u0107 ka\u017cdy typ regresji. 1. Regresja liniowa Regresj\u0119 […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-1962","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n 1. Regresja liniowa<\/strong><\/span><\/h3>\n
\n
2. Regresja logistyczna<\/strong><\/span><\/h3>\n
\n
3. Regresja wielomianowa<\/strong><\/span><\/h3>\n
\n
4. Regresja grzbietu<\/strong><\/span><\/h3>\n
\n
5. Regresja Lassa<\/strong><\/span><\/h3>\n
\n
6. Regresja Poissona<\/strong><\/span><\/h3>\n
\n
7. Regresja kwantylowa<\/strong><\/span><\/h3>\n
\n
Dodatkowe zasoby<\/strong><\/span><\/h3>\n
4 Przyk\u0142ady zastosowania regresji logistycznej w \u017cyciu codziennym<\/a>
ANOVA vs regresja: jaka jest r\u00f3\u017cnica?<\/a>
Kompletny przewodnik: jak zg\u0142asza\u0107 wyniki regresji<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"