段階的回帰とは
回帰分析は、変数間の関係を特定するために広く使用されている統計的アプローチです。 アイデアは、より適切な情報に基づいた意思決定を行うために関連データをプールすることであり、投資の世界では一般的な慣行です。 ステップワイズ回帰は、独立変数の自動選択を含む回帰モデルの段階的な反復構築です。 統計ソフトウェアパッケージの可用性により、数百の変数を持つモデルでも段階的な回帰が可能になります。
段階的回帰の種類
段階的回帰の基本的な目標は、一連のテスト（Fテスト、tテスト）を通じて、従属変数に大きく影響する一連の独立変数を見つけることです。 これは、反復を通じてコンピューターを使用して行われます。反復とは、繰り返しの分析サイクルまたは分析サイクルを経て結果または決定に到達するプロセスです。 統計ソフトウェアパッケージの助けを借りて自動的にテストを実行すると、個人の時間を節約できるという利点があります。
重要なポイント
- 回帰分析は、独立変数と従属変数の関係を理解および測定しようとする統計的アプローチです。ステップワイズ回帰は、モデル内の各独立変数の統計的有意性を調べる方法です。前方選択アプローチは、変数を追加してから統計的有意性をテストします。後方消去法は、多くの変数がロードされたモデルで始まり、1つの変数を削除して、全体の結果に対するその重要性をテストします。ステップワイズ回帰は、望ましい結果を達成するためにモデルにデータを適合させるアプローチであるため、多くの批評家がいます。
ステップワイズ回帰は、一度に1つの独立変数を試し、それが統計的に有意な場合は回帰モデルに含めるか、モデルにすべての潜在的な独立変数を含めて統計的に有意でない変数を削除することで実現できます。 いくつかの方法は両方の方法を組み合わせて使用するため、ステップワイズ回帰には3つのアプローチがあります。
- 前方選択は、モデル内の変数なしで始まり、各変数がモデルに追加されるときに各変数をテストし、統計的に最も重要と思われる変数を保持します。結果が最適になるまでプロセスを繰り返します。一度に1つずつ削除してから、削除された変数が統計的に有意であるかどうかをテストします。双方向除去は、どの変数を含めるか除外するかをテストする最初の2つの方法の組み合わせです。
逆方向消去法を使用した段階的回帰の例としては、設備の稼働時間、設備の年齢、スタッフのサイズ、屋外の気温、時期などの変数を使用して、工場でのエネルギー使用量を理解する試みがあります。 モデルにはすべての変数が含まれます。各変数は一度に1つずつ削除され、統計的に有意でない変数を判別します。 最終的に、このモデルは、季節と温度が最も重要であることを示している可能性があり、おそらく、工場でのピークエネルギー消費は、エアコンの使用率が最も高いときに示唆されます。
段階的回帰の制限
線形および多変量の両方の回帰分析は、今日の投資の世界で広く使用されています。 多くの場合、過去に存在したパターンが将来も再発する可能性があります。 たとえば、単純な線形回帰では、長年にわたる株価収益率と株価収益率を調べて、低いP / E比率（独立変数）の株式がより高い収益率（従属変数）を提供するかどうかを判断します。 このアプローチの問題は、市場の状況が頻繁に変化し、過去に保持された関係が現在または将来に必ずしも当てはまらないことです。
一方、ステップワイズ回帰プロセスには多くの批評家がおり、メソッドの使用を完全に停止する呼び出しもあります。 統計学者は、不正確な結果、プロセス自体に内在するバイアス、反復を通じて複雑な回帰モデルを開発するための大きな計算能力の必要性など、アプローチのいくつかの欠点に注目しています。
