Sommario:

Che cos'è un'analisi di regressione multipla?
Che cos'è un'analisi di regressione multipla?

Video: Che cos'è un'analisi di regressione multipla?

Video: Che cos'è un'analisi di regressione multipla?
Video: IBM SPSS Statistic | Come selezionare le variabili in un modello di regressione lineare multipla 2024, Maggio
Anonim

Regressione multipla è un'estensione di lineare semplice regressione . Viene utilizzato quando si vuole prevedere il valore di una variabile in base al valore di due o più altre variabili. La variabile che vogliamo prevedere è chiamata variabile dipendente (o talvolta, variabile di risultato, obiettivo o criterio).

In questo modo, qual è un esempio di regressione multipla?

Per esempio , se stai facendo un regressione multipla per cercare di prevedere la pressione sanguigna (la variabile dipendente) da variabili indipendenti come altezza, peso, età e ore di esercizio alla settimana, dovresti anche includere il sesso come una delle tue variabili indipendenti.

Ci si potrebbe anche chiedere, perché è importante la regressione multipla? Questo è, multiplo lineare regressione l'analisi ci aiuta a capire quanto cambierà la variabile dipendente quando cambiamo le variabili indipendenti. Ad esempio, a multiplo lineare regressione può dirti quanto GPA dovrebbe aumentare (o diminuire) per ogni punto di aumento (o diminuzione) del QI.

In secondo luogo, cos'è la regressione multilineare?

L'obiettivo di regressione lineare multipla (MLR) è quello di modello il lineare relazione tra le variabili esplicative (indipendenti) e la variabile di risposta (dipendente). In sostanza, regressione multipla è l'estensione dei minimi quadrati ordinari (OLS) regressione che coinvolge più di una variabile esplicativa.

Come si analizza la regressione multipla?

Interpretare i risultati chiave per la regressione multipla

  1. Passaggio 1: determinare se l'associazione tra la risposta e il termine è statisticamente significativa.
  2. Passaggio 2: determina quanto bene il modello si adatta ai tuoi dati.
  3. Passaggio 3: determinare se il modello soddisfa i presupposti dell'analisi.

Consigliato: