線形回帰と重回帰の理解

線形回帰と重回帰：概要

回帰分析は、金融および投資で使用される一般的な統計手法です。線形回帰は、回帰分析の最も一般的な手法の1つです。重回帰は、複数の説明変数を持つ線形および非線形回帰を含む、より広範な回帰のクラスです。

ツールとしての回帰は、データをプールし、人々と企業が情報に基づいた意思決定を行うのに役立ちます。回帰では、従属変数（理解しようとしている主な変数）や独立変数など、従属変数に影響を与える可能性のある要因を含むさまざまな変数があります。

回帰分析を機能させるには、すべての関連データを収集する必要があります。 x軸とy軸を使用してグラフに表示できます。

人々が回帰分析を使用する主な理由はいくつかあります。

回帰分析にはさまざまな種類があります。この記事の目的のために、線形回帰と重回帰の2つを見ていきます。

単純線形回帰とも呼ばれます。直線を使用して2つの変数間の関係を確立します。線形回帰は、直線を定義し回帰誤差を最小化する勾配と切片を見つけることにより、データに最も近い直線を描画しようとします。

2つ以上の説明変数が従属変数と線形関係にある場合、回帰は多重線形回帰と呼ばれます。

多くのデータ関係は直線に従っていないため、統計学者は代わりに非線形回帰を使用します。この2つは、どちらも一連の変数からの特定の応答をグラフィカルに追跡するという点で似ています。しかし、非線形モデルは線形モデルよりも複雑です。関数は試行錯誤から生じる一連の仮定によって作成されるためです。

従属変数が1つの変数のみで説明されることはまれです。この場合、アナリストは複数の回帰を使用し、複数の独立変数を使用して従属変数を説明しようとします。多重回帰は、線形および非線形になります。

多重回帰は、従属変数と独立変数の間に線形関係があるという仮定に基づいています。また、独立変数間に大きな相関関係がないことも想定しています。

上記のように、回帰分析を使用することにはいくつかの異なる利点があります。これらのモデルは、企業や経済学者が実用的な意思決定を支援するために使用できます。

企業は回帰分析を使用して、顧客サービスの電話が切れる理由などの特定の状況を理解するだけでなく、将来の売上高などの将来の予測を行い、特別な販売やプロモーションなどの重要な決定を下すことができます。

会社の株価の日々の変化と、取引量の日々の変化や市場リターンの日々の変化などの他の説明変数との間に線形関係を確立したいアナリストを考えてみましょう。会社の株価の日次変化を従属変数、取引量の日次変化を独立変数として回帰を実行する場合、これは1つの説明変数を使用した単純な線形回帰の例になります。

アナリストが市場リターンの日々の変化を回帰に追加すると、多重線形回帰になります。

回帰分析は、金融および投資で使用される一般的な統計手法です。線形回帰は、回帰分析の最も一般的な手法の1つです。重回帰は、複数の説明変数を持つ線形および非線形回帰を含む、より広範な回帰クラスです。