Գծային ընդդեմ լոգիստիկ ռեգրեսիա
Վիճակագրական վերլուծության մեջ կարևոր է բացահայտել ուսումնասիրությանը վերաբերող փոփոխականների միջև կապերը: Երբեմն դա կարող է լինել բուն վերլուծության միակ նպատակը: Հարաբերությունների առկայությունը հաստատելու և կապը բացահայտելու համար օգտագործվող ուժեղ գործիքը ռեգրեսիոն վերլուծությունն է:
Ռեգեսիոն վերլուծության ամենապարզ ձևը գծային ռեգրեսիան է, որտեղ փոփոխականների միջև կապը գծային հարաբերություն է: Վիճակագրական առումով այն բացահայտում է բացատրական փոփոխականի և պատասխան փոփոխականի միջև կապը: Օրինակ, ռեգրեսիայի միջոցով մենք կարող ենք կապ հաստատել ապրանքի գնի և սպառման միջև՝ հիմնվելով պատահական ընտրանքից հավաքված տվյալների վրա:Ռեգրեսիոն վերլուծությունը կստեղծի տվյալների հավաքածուի ռեգրեսիոն ֆունկցիա, որը մաթեմատիկական մոդել է, որը լավագույնս համապատասխանում է առկա տվյալներին: Սա հեշտությամբ կարելի է ներկայացնել ցրված սյուժեով: Գրաֆիկորեն ռեգրեսիան համարժեք է տվյալ տվյալների հավաքածուի համար լավագույն համապատասխանող կորը գտնելուն: Կորի ֆունկցիան ռեգրեսիոն ֆունկցիան է։ Օգտագործելով մաթեմատիկական մոդելը, ապրանքի օգտագործումը կարելի է կանխատեսել տվյալ գնի համար։
Հետևաբար ռեգրեսիոն վերլուծությունը լայնորեն կիրառվում է կանխատեսման և կանխատեսման մեջ: Այն նաև օգտագործվում է փորձարարական տվյալների, ֆիզիկայի, քիմիայի, ինչպես նաև բազմաթիվ բնական գիտությունների և ճարտարագիտական առարկաների միջև հարաբերություններ հաստատելու համար: Եթե հարաբերությունը կամ ռեգրեսիոն ֆունկցիան գծային ֆունկցիա է, ապա գործընթացը հայտնի է որպես գծային ռեգրեսիա։ Ցրված սյուժեում այն կարող է ներկայացվել որպես ուղիղ գիծ: Եթե ֆունկցիան պարամետրերի գծային համակցություն չէ, ապա ռեգրեսիան ոչ գծային է։
Լոգիստիկ ռեգրեսիան համեմատելի է բազմաչափ ռեգրեսիայի հետ, և այն ստեղծում է մի մոդել՝ բացատրելու բազմաթիվ կանխատեսիչների ազդեցությունը պատասխան փոփոխականի վրա:Այնուամենայնիվ, լոգիստիկ ռեգրեսիայի դեպքում վերջնական արդյունքի փոփոխականը պետք է լինի կատեգորիկ (սովորաբար բաժանվում է, այսինքն՝ մի զույգ հասանելի արդյունքներ, ինչպիսիք են մահը կամ գոյատևումը, թեև հատուկ տեխնիկան հնարավորություն է տալիս ավելի դասակարգված տեղեկատվության մոդելավորմանը): Շարունակական արդյունքի փոփոխականը կարող է փոխակերպվել կատեգորիկ փոփոխականի, որը կօգտագործվի լոգիստիկ ռեգրեսիայի համար. Այնուամենայնիվ, շարունակական փոփոխականների այս ձևով փլուզումը հիմնականում չի խրախուսվում, քանի որ դա նվազեցնում է ճշգրտությունը:
Ի տարբերություն գծային ռեգրեսիայի, միջինի նկատմամբ, լոգիստիկ ռեգրեսիայի կանխատեսող փոփոխականները պարտադիր չէ, որ գծայինորեն կապված լինեն, սովորաբար բաշխվեն կամ ունենան հավասար շեղումներ յուրաքանչյուր կլաստերի ներսում: Արդյունքում, կանխատեսողի և արդյունքի փոփոխականների միջև կապը, ամենայն հավանականությամբ, գծային ֆունկցիա չէ:
Ո՞րն է տարբերությունը լոգիստիկ և գծային ռեգրեսիայի միջև:
• Գծային ռեգրեսիայում ենթադրվում է գծային կապ բացատրական փոփոխականի և պատասխանի փոփոխականի միջև, և մոդելին բավարարող պարամետրերը հայտնաբերվում են վերլուծության միջոցով՝ ճշգրիտ կապը տալու համար:
• Գծային ռեգրեսիան իրականացվում է քանակական փոփոխականների համար, և ստացված ֆունկցիան քանակական է:
• Լոգիստիկ ռեգրեսիայում օգտագործվող տվյալները կարող են լինել կա՛մ կատեգորիկ, կա՛մ քանակական, բայց արդյունքը միշտ կատեգորիկ է:
