Apa itu Regresi?
Analisis regresi adalah pengukuran berbasis statistik yang digunakan di bidang keuangan, investasi, dll., yang bertujuan untuk membangun hubungan antara variabel dependen dan variabel independen lainnya. Fokus utama adalah menentukan kekuatan hubungan di atas.
Penjelasan
- Untuk menjelaskan analisis regresi dalam istilah awam, mari kita asumsikan kepala penjualan sebuah perusahaan sedang berusaha keras untuk meramalkan penjualan bulan berikutnya. 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 beberapa faktor yang mempengaruhi penjualan, yang merupakan faktor yang memiliki dampak besar. Ini dapat membantu menjawab banyak pertanyaan seperti faktor apa yang paling penting, faktor apa yang kurang penting, apa hubungan di antara mereka, dan yang terpenting, apa jaminan dari faktor-faktor tersebut.
- Faktor-faktor ini disebut variabel. Faktor utama yang kami coba ramalkan adalah variabel dependen, dan faktor lain yang memengaruhi variabel dependen adalah variabel independen. Variabel Independen Variabel independen adalah objek atau periode waktu atau nilai input, perubahan yang digunakan untuk menilai dampaknya terhadap nilai keluaran (yaitu tujuan akhir) yang diukur dalam pemodelan matematika atau statistik atau keuangan.baca lebih lanjut.
Anda bebas menggunakan gambar ini di situs web Anda, templat, dll., Harap berikan kami tautan atribusiBagaimana Memberikan Atribusi? Tautan Artikel menjadi Hyperlink
Misalnya: Sumber: Regresi (wallstreetmojo.com)
Rumus
Analisis regresi linier sederhana di excelAnalisis Regresi Linier Di ExcelRegresi Linier adalah alat statistik excel yang digunakan sebagai model analisis prediktif untuk menguji hubungan antara dua kumpulan data. Dengan menggunakan analisis ini, kita dapat memperkirakan hubungan antara variabel dependen dan independen.Selengkapnya dapat dinyatakan sebagai rumus di bawah ini, mengukur hubungan antara variabel dependen dan satu variabel independen.
Y = a + bX + ϵ
Di Sini:
- Y – Variabel dependen
- X – Variabel independen (penjelas).
- a – Mencegat
- b – Lereng
- ϵ – Sisa (kesalahan)
Bagaimana Menafsirkan Analisis Regresi?
Seseorang dapat menafsirkannya dengan mengasumsikan skenario sederhana. Kami mengambil hubungan antara harga koleksi barang antik untuk dilelang dan durasi umurnya. Semakin tua barang antik, semakin mahal harganya. Dengan asumsi bahwa kami telah menetapkan data untuk 50 item terakhir yang dilelang, kami dapat memprediksi harga lelang mendatang berdasarkan usia item tersebut. Dengan menggunakan data ini, kita dapat membuat persamaan regresi.
Rumus regresi Rumus Regresi Rumus regresi digunakan untuk mengevaluasi hubungan antara variabel dependen dan independen dan untuk menentukan bagaimana perubahan variabel independen mempengaruhi variabel dependen. Y = a + b X +baca lebih lanjut yang dapat mengatur hubungan antara umur dan harga adalah sebagai berikut:
y = β0 + β1 x + kesalahan
- Disini faktor dependennya adalah Y. Y merupakan harga dari 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 mendefinisikan garis tren linier dan memotong sumbu Y.
- β1 adalah konstanta yang menunjukkan besarnya perubahan nilai variabel dependen sebagai fungsi terkait dari perubahan yang tersirat pada variabel independen.
- Ini disebut kemiringan persamaan. Ketika kemiringannya linier, ada hubungan yang proporsional antara umur dan harga, dan jika kemiringannya terbalik, artinya hubungan tersebut tidak proporsional.
Error dapat didefinisikan sebagai noise atau variasi dalam variabel target dan bersifat acak.
Contoh Kehidupan Nyata dari Analisis Regresi
Mari kita asumsikan kita perlu membangun hubungan antara penjualan dan jumlah yang dibelanjakan untuk iklan yang terkait dengan suatu produk.
Secara umum kita dapat mengamati hubungan positif antara kuantitas penjualan dan jumlah yang dibelanjakan untuk iklan. Menggabungkan persamaan regresi linier sederhana, kita mendapatkan:
Y = a + bX
Misalkan kita mendapatkan nilai as
Y = 500 +30X
Interpretasi hasil:
Prediksi kemiringan 30 membantu kita menyimpulkan bahwa penjualan rata-rata meningkat sebesar $30 per tahun seiring dengan peningkatan belanja iklan.
Jenis Analisis Regresi
#1 – Linier
Seseorang dapat mengungkapkannya sebagai rumus di bawah ini. Ini mengukur hubungan antara variabel dependen dan satu variabel independen.
#2 – Polinomial
Metode ini menggunakan analisis untuk mengukur hubungan antara faktor dependen tunggal dan variabel independen ganda.
#3 – Logistik
Di sini faktor atau variabel dependen adalah biner. Variabel independen bisa kontinu atau biner. Kami dapat memiliki lebih dari dua kategori dalam regresi logistik multinomial sambil memilih variabel independen kami.
#4 – Kuantil
Ini adalah konsep tambahan dari regresi linier dan seseorang menggunakannya terutama ketika ada outlier dan skewness dalam data.
#5 – Jaring Elastis
Ini berguna ketika seseorang menangani variabel independen yang berkorelasi sangat tinggi.
#6 – Regresi Komponen Utama (PCR)
Ini adalah teknik yang berlaku ketika terlalu banyak variabel independen atau multikolinearitas Multikolinearitas Multikolinearitas adalah fenomena statistik di mana dua atau lebih variabel dalam model regresi sangat bergantung satu sama lain sehingga yang satu dapat diprediksi secara linear dari yang lain dengan akurasi tinggi. Ini paling sering digunakan dalam studi observasional dan lebih jarang digunakan dalam studi eksperimental. Baca lebih lanjut ada dalam data
#7 – Kuadrat Terkecil Parsial (PLS)
Ini kebalikan dari komponen utama, di mana kita memiliki variabel independen yang sangat berkorelasi. Ini juga berlaku ketika ada banyak variabel independen.
#8 – Dukungan Vektor
Ini dapat memberikan solusi untuk model linier dan non-linier. Ini menggunakan fungsi kernel non-linear untuk menemukan solusi optimal untuk model non-linear.
#9 – Biasa
Ini berlaku untuk prediksi nilai peringkat. Sangat cocok bila variabel dependen adalah ordinal.
#10 – Poisson
Ini berlaku ketika variabel dependen memiliki data hitungan.
#11 – Binomial Negatif
Ini juga berlaku untuk mengelola data hitungan hanya karena regresi binomial negatif tidak menganggap distribusi hitungan memiliki varian yang sama dengan rata-ratanya. Sebaliknya, regresi Poisson mengasumsikan varian sama dengan rata-ratanya.
#12 – Quasi Poisson
Ini adalah pengganti regresi binomial negatif. Hal ini juga berlaku untuk data jumlah tersebar. Varians model Quasi-Poisson adalah fungsi linier dari rata-rata, sedangkan varians model binomial negatif adalah fungsi kuadrat dari rata-rata.
#13 – Cox
Ini lebih banyak digunakan untuk menganalisis data waktu-ke-peristiwa.
Perbedaan Antara Regresi dan Korelasi
- Regresi menetapkan hubungan antara varian independen dan variabel dependen di mana kedua variabel berbeda. Sebaliknya, korelasi menentukan hubungan atau ketergantungan dua variabel di mana tidak ada perbedaan.
- Tujuan utama regresi adalah untuk membuat garis yang paling cocok, dan estimasi satu variabel dilakukan berdasarkan variabel lainnya. Pada saat yang sama, korelasi menunjukkan hubungan linierHubungan LinierHubungan linier menggambarkan hubungan antara dua variabel yang berbeda – x dan y – dalam bentuk garis lurus pada grafik. Saat menghadirkan hubungan linier melalui persamaan, nilai y diturunkan melalui nilai x, yang mencerminkan korelasinya.baca lebih lanjut antara dua variabel.
- Dalam hal ini, kami memperkirakan besarnya perubahan tertentu dalam variabel yang dikenali (X) pada variabel yang diestimasi (Y). Dalam korelasi, koefisien mengukur sejauh mana kedua variabel bergerak bersama.
- Ini adalah proses memperkirakan besarnya variabel independen acak berdasarkan besarnya variabel dependen statis. Sebaliknya, korelasi membantu kita menentukan nilai tertentu untuk menyatakan saling ketergantungan antar variabel.
Kesimpulan
- Analisis Regresi Analisis Regresi Analisis regresi menggambarkan bagaimana variabel dependen akan berubah ketika satu atau lebih variabel independen berubah karena faktor, dan digunakan untuk menganalisis hubungan antara variabel dependen dan independen. Y = a + bX + E adalah rumusnya.baca lebih lanjut terutama menggunakan data untuk membangun hubungan antara dua variabel atau lebih. Ini mengasumsikan bahwa hubungan masa lalu juga akan mencerminkan masa kini atau masa depan. Namun, sedikit yang menganggap ini sebagai jeda waktu antara masa lalu dan masa kini/masa depan.
- Namun, ini adalah teknik peramalan dan estimasi yang banyak digunakan. Meskipun melibatkan matematika, yang mungkin dianggap sulit oleh banyak pengguna, teknik ini relatif mudah digunakan, terutama jika modelnya tersedia.
Artikel yang Direkomendasikan
Artikel ini adalah panduan untuk Apa Regresi dan artinya. Di sini, kami membahas perbedaan antara analisis regresi dan korelasi, beserta jenis dan contohnya. Anda dapat mempelajari lebih lanjut tentang dari artikel berikut: –
- Regresi Non-Linear di Excel
- Arti Kebingungan
- Contoh Regresi Linear
- Rumus Regresi Berganda
