Regressieanalyse in statistische analyse van big data - dummies

Regressie analyse < wordt gebruikt om de sterkte en richting van de relatie tussen variabelen die lineair gerelateerd zijn aan elkaar te schatten. Twee variabelen X en Y zijn lineair gerelateerd als de relatie tussen hen kan worden geschreven in de vorm Y

= > mX + b waarbij m

de

helling is, of de wijziging in Y als gevolg van een gegeven wijziging in > X

b is het onderscheppen

,

of de waarde van Y wanneer X = 0 Als voorbeeld van regressieanalyse, stel dat een bedrijf wil bepalen of zijn advertentie-uitgaven daadwerkelijk de winst verhogen, en zo ja, met hoeveel. Het bedrijf verzamelt de afgelopen 20 jaar gegevens over advertenties en winsten en gebruikt deze gegevens om de volgende vergelijking te schatten:

Y

= 50 + 0. 25

X

waarbij Y de jaarlijkse winst van de onderneming vertegenwoordigt (in miljoenen dollars).

X

vertegenwoordigt de jaarlijkse advertentie-uitgaven van de onderneming (in miljoenen dollars). In deze vergelijking is de helling gelijk aan 0. 25 en is de onderschepping gelijk aan 50. Omdat de helling van de regressielijn 0.25 is, betekent dit dat gemiddeld voor elke toename van $ 1 miljoen in advertentie-uitgaven de winst per seconde stijgt. $. 25 miljoen, of $ 250.000. Omdat het snijpunt 50 is, geeft dit aan dat zonder reclame de winst nog altijd $ 50 miljoen zou zijn.

Deze vergelijking kan daarom worden gebruikt om toekomstige winsten te voorspellen op basis van geplande advertentie-uitgaven. Als het bedrijf bijvoorbeeld van plan is om volgend jaar $ 10 miljoen uit te geven aan advertenties, zijn de verwachte winst als volgt:

Y

= 50 + 0. 25

X

Y = 50 + 0. 25 (10) = 50 + 2. 5 + 52. 5 Vandaar dat met een advertentiebudget van $ 10 miljoen volgend jaar, de winst naar verwachting $ 52 zal zijn. 5 miljoen.