Regresi (Arti, Jenis) - Apa itu Analisis Regresi?

Daftar Isi

Apa itu Regresi?

Analisis Regresi adalah pengukuran berbasis statistik yang digunakan dalam keuangan, investasi, dll., Yang bertujuan untuk mengatur hubungan antara variabel dependen dan rangkaian variabel independen lainnya, dan fokus utamanya adalah menentukan kekuatan hubungan di atas.

Penjelasan

  • Untuk menjelaskan analisis regresi dalam istilah awam, mari kita asumsikan kepala penjualan sebuah perusahaan berusaha keras untuk meramalkan penjualan bulan berikutnya. Ada banyak faktor yang terlibat yang mendorong penjualan produk, mulai dari cuaca hingga strategi baru pesaing, festival, dan perubahan gaya hidup konsumen.
  • Ini adalah metode menyelaraskan dari beberapa faktor yang mempengaruhi penjualan, yaitu yang memiliki pengaruh besar. Ini dapat membantu dalam menjawab banyak pertanyaan seperti apa faktor terpenting, faktor apa yang kurang penting, apa hubungan antara faktor-faktor ini, dan yang terpenting, apa kepastian dari faktor-faktor tersebut.
  • Faktor-faktor ini disebut variabel. Faktor utama yang kami coba ramalkan disebut variabel dependen, dan faktor lain yang berdampak pada variabel dependen disebut variabel independen.

Rumus

Analisis regresi linier sederhana pada excel dapat dinyatakan sebagai rumus di bawah ini, dan ini mengukur hubungan antara variabel dependen dan satu variabel independen.

Y = a + bX + ϵ

Sini:

  • Y - Variabel dependen
  • X - Variabel independen (penjelas)
  • a - Mencegat
  • b - Kemiringan
  • ϵ - Sisa (kesalahan)

Bagaimana Menafsirkan Analisis Regresi?

Ini dapat diinterpretasikan dengan asumsi skenario sederhana. Di sini kami mengambil hubungan antara harga koleksi antik untuk lelang dan durasi usianya. Semakin tua barang antik, semakin banyak harga yang diambilnya. Dengan asumsi kami telah menetapkan data untuk 50 item terakhir yang telah dilelang, kami dapat memprediksi berapa harga lelang di masa mendatang berdasarkan usia item tersebut. Dengan menggunakan data ini, kita dapat membuat persamaan regresi.

Rumus regresi yang dapat mengatur hubungan antara umur dan harga adalah sebagai berikut:

y = β0 + β1 x + kesalahan
  • Di sini faktor dependennya adalah Y. Y mewakili harga setiap barang yang akan dilelang, sedangkan faktor independennya adalah X yang menentukan umur.
  • Parameter β0 dan β1 merupakan parameter yang tidak diketahui dan akan diestimasi dengan persamaan.
  • β0 adalah konstanta yang digunakan untuk mendefinisikan garis tren linier yang memotong sumbu Y.
  • β1 adalah konstanta yang menunjukkan besarnya perubahan nilai variabel dependen sebagai fungsi terkait perubahan yang tersirat pada variabel independen.
  • Ini pada dasarnya disebut kemiringan persamaan. Jika slope berupa liner, artinya ada hubungan proporsional antara umur dan harga, dan jika slope berbanding terbalik, berarti hubungan proporsional tidak langsung.
  • The error dapat didefinisikan sebagai suara atau variasi dalam variabel target dan adalah acak di alam.

Contoh Kehidupan Nyata dari Analisis Regresi

Mari kita asumsikan kita perlu membangun hubungan antara penjualan yang telah terjadi dan jumlah yang dibelanjakan untuk iklan yang terkait dengan suatu produk.

Kami biasanya dapat mengamati hubungan positif antara jumlah penjualan dan jumlah yang dibelanjakan untuk iklan. Dengan menggabungkan persamaan regresi linier sederhana, kita mendapatkan:

Y = a + bX

Misalkan kita mendapatkan nilai sebagai

Y = 500 + 30X

Interpretasi Hasil:

Perkiraan kemiringan 30 membantu kita menarik kesimpulan bahwa penjualan rata-rata meningkat $ 30 per tahun seiring dengan meningkatnya pengeluaran untuk iklan.

Jenis Analisis Regresi

# 1 - Linear

Ini dapat dinyatakan sebagai rumus di bawah ini, dan ini mengukur hubungan antara variabel dependen dan satu variabel independen.

# 2 - Polinomial

Dalam metode ini, analisis digunakan untuk mengukur hubungan antara faktor dependen tunggal dan beberapa variabel independen.

# 3 - Logistik

Di sini faktor atau variabel dependen bersifat biner. Variabel independen dapat kontinu atau biner. Dalam regresi logistik multinomial, kami dapat memiliki lebih dari dua kategori saat memilih variabel independen kami.

# 4 - Kuantil

Ini adalah konsep aditif dari regresi linier dan digunakan terutama saat pencilan dan kemiringan ada dalam data.

# 5 - Jaring Elastis

Ini berguna ketika seseorang menangani variabel independen berkorelasi sangat tinggi.

# 6 - Regresi Komponen Utama (PCR)

Ini adalah teknik yang dapat diterapkan jika terdapat terlalu banyak variabel independen atau multikolinieritas dalam data

# 7 - Partial Least Squares (PLS)

Ini adalah metode kebalikan dari komponen utama di mana kita memiliki variabel independen yang sangat berkorelasi. Ini juga berlaku jika ada banyak variabel independen.

# 8 - Mendukung Vektor

Ini dapat memberikan solusi untuk model linier dan non-linier. Itu menggunakan fungsi kernel non-linier untuk menemukan solusi optimal untuk model non-linier.

# 9 - Ordinal

Ini berlaku untuk prediksi nilai yang diberi peringkat. Pada dasarnya variabel dependen ini cocok jika bersifat ordinal

# 10 - Poisson

Ini berlaku ketika variabel dependen memiliki data hitungan.

# 11 - Binomial Negatif

Hal ini juga berlaku untuk mengelola data hitung hanya bahwa regresi binomial negatif tidak mengasumsikan distribusi hitung yang memiliki varians sama dengan meannya, sedangkan regresi Poisson mengasumsikan varians sama dengan meannya.

# 12 - Quasi Poisson

Ini adalah pengganti regresi binomial negatif. Ini juga berlaku untuk data penghitungan yang tersebar. Variansi model kuasi-Poisson adalah fungsi linear dari mean, sedangkan varians model binomial negatif adalah fungsi kuadrat dari mean.

# 13 - Cox

Ini lebih banyak digunakan untuk menganalisis data waktu ke acara.

Perbedaan Antara Regresi dan Korelasi

  • Regresi menetapkan hubungan antara varians independen dan variabel dependen di mana kedua variabel berbeda, sedangkan korelasi menentukan hubungan atau ketergantungan dua variabel di mana tidak ada perbedaan antara kedua variabel.
  • Tujuan utama dari regresi adalah untuk membuat garis yang paling sesuai dan estimasi satu variabel dilakukan atas dasar variabel lainnya, sedangkan dalam korelasi menunjukkan hubungan linier antara dua variabel.
  • Dalam hal ini, kami memperkirakan besarnya perubahan tertentu dalam variabel yang dikenali (X) pada variabel yang diestimasi (Y), sedangkan, dalam korelasi, koefisien digunakan untuk mengukur sejauh mana kedua variabel tersebut bergerak bersama.
  • Ini adalah proses memperkirakan besarnya variabel independen acak berdasarkan besarnya variabel dependen statis, sedangkan korelasi membantu kita untuk memutuskan nilai tertentu untuk mengekspresikan saling ketergantungan antara kedua variabel.

Kesimpulan

  • Analisis regresi terutama menggunakan data untuk membangun hubungan antara dua variabel atau lebih. Di sini diasumsikan bahwa hubungan yang ada di masa lalu juga akan tercermin di masa kini atau masa depan. Beberapa menganggap ini sebagai jeda waktu antara masa lalu dan sekarang / masa depan.
  • Namun, ini adalah teknik peramalan dan perkiraan yang banyak digunakan. Meskipun melibatkan matematika, yang mungkin dianggap sulit oleh banyak pengguna, teknik ini relatif mudah digunakan, terutama bila model tersedia.

Artikel yang menarik...