Multiple Regression

Definition - Was bedeutet multiple Regression?

Die multiple Regression ist ein statistisches Werkzeug, mit dem der Wert eines Kriteriums aus mehreren anderen unabhängigen Variablen oder Prädiktorvariablen abgeleitet wird. Es ist die gleichzeitige Kombination mehrerer Faktoren, um zu bewerten, wie und in welchem ​​Ausmaß sie ein bestimmtes Ergebnis beeinflussen.

Diese Technik bricht zusammen, wenn die Natur der Faktoren selbst nicht messbar oder rein zufällig ist.

Technische.me erklärt Multiple Regression

Im wirklichen Leben gibt es viele Fälle multipler Regression. Ein Zonenplaner möchte beispielsweise wissen, wie der Wert von Häusern durch Faktoren wie das durchschnittliche Haushaltseinkommen in der Region, die Quadratmeterzahl des Hauses, die Landfläche des Hauses und das Baujahr beeinflusst wird. Nachdem er all dies in ein System eingezeichnet hat, das mehrere Regressionen durchführen kann, stellt er fest, dass die Faktoren, die den Verkaufspreis eines Hauses am meisten beeinflussen, die Fläche und das durchschnittliche Einkommen in der Region sind. Die multiple Regression kann sogar noch weiter gehen und ihm zeigen, dass die hochpreisigen Häuser in viel größerem Maße von denselben beiden Faktoren betroffen sind als die Häuser mit niedrigerem und mittlerem Preis.

Ein weiteres Beispiel ist eine Personalvermittlungsfirma, die versucht, eine angemessene Vergütung zu ermitteln. Es wird festgestellt, dass die Prädiktorvariablen für das Gehalt das aktuelle Gehalt, die Anzahl der von einem Mitarbeiter beaufsichtigten Personen und die Verantwortung des Mitarbeiters sind. Das Unternehmen kann mithilfe der multiplen Regression herausfinden, dass das aktuelle Gehalt eines potenziellen Mitarbeiters die wichtigste Determinante für das Gehalt ist, das die Person bereit ist, in einem neuen Job zu akzeptieren.

Eine multiple Regression ist jedoch in Fällen unzuverlässig, in denen eine hohe Wahrscheinlichkeit besteht, dass die Ergebnisse durch nicht messbare Faktoren oder durch reinen Zufall beeinflusst werden. Zum Beispiel können wir die Regression nicht genau verwenden, um zu berechnen, inwieweit verschiedene Faktoren (Wirtschaftslage, Inflation, verfügbares Durchschnittseinkommen, Einkommensprognosen der Unternehmen usw.) den Aktienindex in genau 20 Jahren beeinflussen werden. Es gibt einfach zu viele Unbekannte in der Mechanik dieser externen Faktoren.