Анализ асло это

Регрессионный анализ: Полное руководство

Когда вы полагаетесь на данные для принятия и руководства бизнес-решениями, а также для прогнозирования рыночных тенденций, простого сбора и анализа того, что вы найдете, недостаточно — вам нужно убедиться, что они актуальны и ценны.

Проблема, однако, заключается в том, что на бизнес-данные может влиять очень много переменных: рыночные условия, экономические потрясения и даже погода! Поэтому важно знать, какие переменные влияют на ваши данные и прогнозы, а какие данные можно отбросить.

И один из наиболее эффективных способов определения ценности данных и отслеживания тенденций (и взаимосвязей между ними) — это использование регрессионного анализа, набора статистических методов, используемых для оценки взаимосвязей между независимыми и зависимыми переменными.

В этом руководстве мы рассмотрим основы регрессионного анализа, от того, что это такое и как он работает, до его преимуществ и практических применений.

Узнайте о новейших тенденциях в исследованиях рынка и регрессионном анализе

Что такое регрессионный анализ?

Регрессионный анализ — это статистический метод. Он используется для анализа различных факторов, которые могут повлиять на цель, таких как успех запуска продукта, рост бизнеса, новая маркетинговая кампания, и определения того, какие факторы важны, а какие можно игнорировать.

Регрессионный анализ также может помочь руководителям понять, как различные переменные влияют друг на друга и каковы результаты. Например, при прогнозировании финансовых показателей регрессионный анализ может помочь руководителям определить, как изменения в бизнесе могут повлиять на доходы или расходы в будущем.

Проведя подобный анализ, вы можете обнаружить, что существует высокая корреляция между количеством маркетологов, нанятых в компании, привлеченными лидами и закрытыми возможностями.

Кажется, это говорит о том, что большое количество маркетологов и большое количество лидов влияют на успех продаж. Но нужны ли вам оба фактора, чтобы закрыть эти продажи? Анализируя влияние этих переменных на ваш результат, вы можете узнать, что когда количество потенциальных клиентов увеличивается, а количество нанятых маркетологов остается постоянным, это не влияет на количество закрытых возможностей, но если количество маркетологов увеличивается, количество потенциальных клиентов и закрытых возможностей оба поднимаются.

Регрессионный анализ может помочь вам выявить эти сложные взаимосвязи, чтобы вы могли определить, на каких областях вам нужно сосредоточиться, чтобы получить желаемые результаты, и не тратить время на те, которые мало или совсем не влияют. В этом примере это может означать найм большего количества маркетологов, а не попытки увеличить количество потенциальных клиентов.

Как работает регрессионный анализ?

Регрессионный анализ начинается с переменных , которые подразделяются на два типа: зависимые и независимые переменные. Выбранные вами переменные зависят от результатов, которые вы анализируете.

Понимание переменных:

1. Зависимая переменная

Это основная переменная, которую вы хотите анализировать и прогнозировать. Например, операционные (O) данные, такие как ваши квартальные или годовые продажи, или данные об опыте (X), такие как ваш чистый рейтинг промоутера (NPS) или показатель удовлетворенности клиентов (CSAT).

Эти переменные также называются переменными отклика, переменными результата или левосторонними переменными (поскольку они появляются в левой части уравнения регрессии).

Есть три простых способа определить их:

• Измеряется ли переменная как результат исследования?
• Зависит ли переменная от другой в исследовании?
• Вы измеряете переменную только после изменения других переменных?

2. Независимая переменная

Независимые переменные — это факторы, которые могут повлиять на ваши зависимые переменные. Например, рост цен во втором квартале может повлиять на ваши показатели продаж.

Вы можете определить независимые переменные с помощью следующего списка вопросов:

• Манипулирует ли переменная, контролируется или используется исследователем в качестве метода группировки объектов?
• Эта переменная опережает другую во времени?
• Вы пытаетесь понять, влияет ли эта переменная на другую и каким образом?

Независимые переменные часто упоминаются в регрессии по-разному в зависимости от цели анализа. Возможно, вы слышали, как они называются:

Независимые переменные

Независимые переменные — это те, которые объясняют событие или результат вашего исследования. Например, объясняя, почему ваши продажи упали или увеличились.

Переменные-предикторы

Переменные-предикторы используются для предсказания значения зависимой переменной. Например, прогнозирование того, насколько увеличатся продажи при внедрении новых функций продукта.

Экспериментальные переменные

Это переменные, которыми могут манипулировать или изменять непосредственно исследователи для оценки воздействия. Например, оценка того, как разные цены на продукты (10 долларов США, 15 долларов США и 20 долларов США) повлияют на вероятность покупки.

Субъектные переменные (также называемые фиксированными эффектами)

Субъектные переменные не могут быть изменены напрямую, но различаются по выборке. Например, возраст, пол или доход потребителей.

В отличие от экспериментальных переменных, вы не можете случайным образом назначать или изменять предметные переменные, но вы можете разработать регрессионный анализ для определения различных результатов групп участников с одинаковыми характеристиками. Например, «как рост цен влияет на продажи в зависимости от дохода?»

Проведение регрессионного анализа

Таким образом, регрессия касается отношений между зависимыми и независимыми переменными. Но как именно вы это делаете?

Предполагая, что вы уже собрали данные, первое и главное, что вам нужно сделать, это отобразить результаты на графике. Это значительно упрощает интерпретацию результатов регрессионного анализа, поскольку вы можете четко видеть корреляции между зависимыми и независимыми переменными.

Допустим, вы хотите провести регрессионный анализ, чтобы понять взаимосвязь между количеством размещенных объявлений и полученным доходом.

На оси Y вы размещаете полученный доход. По оси X количество цифровых объявлений. Нанеся информацию на график и проведя линию (называемую линией регрессии) через середину данных, вы можете увидеть взаимосвязь между количеством размещенных цифровых объявлений и полученным доходом.

Это 9Линия регрессии 0280 — это линия, которая лучше всего описывает взаимосвязь между вашими независимыми переменными и вашей зависимой переменной. В этом примере мы использовали простую модель линейной регрессии.

Программное обеспечение для статистического анализа может нарисовать эту линию для вас и точно рассчитать линию регрессии . Затем программа предоставляет формулу для наклона линии, добавляя дополнительный контекст взаимосвязи между зависимыми и независимыми переменными.

Простой линейный регрессионный анализ

В простой линейной модели используется одна прямая линия для определения отношения между одной независимой переменной и зависимой переменной.

Эта регрессионная модель в основном используется, когда вы хотите определить взаимосвязь между двумя переменными (такими как рост цен и объем продаж) или значение зависимой переменной в определенных точках независимой переменной (например, уровни продаж при определенном росте цен). ).

Хотя линейная регрессия полезна, она требует от вас некоторых предположений.

Например, требуется предположить, что:

• данные были собраны с использованием статистически достоверного метода сбора выборки, репрезентативного для целевой совокупности
• Наблюдаемая взаимосвязь между переменными не может быть объяснена «скрытой» третьей переменной — другими словами, нет ложных корреляций.
• связь между независимой переменной и зависимой переменной является линейной — это означает, что наилучшее соответствие между точками данных — прямая линия, а не кривая

Множественный регрессионный анализ

Как следует из названия, множественный регрессионный анализ — это тип регрессии, в котором используются несколько переменных. Он использует несколько независимых переменных для прогнозирования результата одной зависимой переменной. Из различных видов множественной регрессии множественная линейная регрессия является одной из самых известных.

Множественная линейная регрессия является близким родственником модели простой линейной регрессии в том, что она рассматривает влияние нескольких независимых переменных на одну зависимую переменную. Однако, как и простая линейная регрессия, множественный регрессионный анализ также требует от вас некоторых основных предположений.

Например, предполагается, что:

• существует линейная зависимость между зависимой и независимой переменными (она создает прямую линию, а не кривую через точки данных)
• независимые переменные сами по себе слабо коррелированы

Примером множественной линейной регрессии может служить анализ того, как расходы на маркетинг, рост доходов и общее настроение рынка влияют на цену акций компании.

С помощью нескольких моделей линейной регрессии вы можете оценить, как эти переменные повлияют на цену акций и в какой степени.

Многомерная линейная регрессия

Многомерная линейная регрессия включает более одной зависимой переменной, а также несколько независимых переменных, что делает ее более сложной, чем линейная или множественная линейная регрессия. Однако это также делает его намного более мощным и способным делать прогнозы о сложных реальных ситуациях.

Например, если организация хочет установить или оценить, как пандемия COVID-19 повлияла на сотрудников на ее различных рынках, она может использовать многомерную линейную регрессию с различными географическими регионами в качестве зависимых переменных и различными аспектами пандемии в качестве независимых переменные (такие как самооценка психического здоровья, доля сотрудников, работающих дома, продолжительность блокировки и дни болезни сотрудников).

С помощью многомерной линейной регрессии вы можете целостно рассматривать отношения между переменными и количественно определять отношения между ними. Поскольку вы можете четко визуализировать эти отношения, вы можете вносить коррективы в зависимые и независимые переменные, чтобы увидеть, какие условия влияют на них. В целом, многомерная линейная регрессия дает более реалистичную картину, чем рассмотрение одной переменной.

Однако, поскольку многомерные методы сложны, они требуют математических вычислений высокого уровня, которые требуют статистической программы для анализа данных.

Логистическая регрессия

Логистическая регрессия моделирует вероятность бинарного исхода на основе независимых переменных.

Итак, что такое бинарный исход? Это когда есть только два возможных сценария: либо событие происходит (1), либо нет (0). например результаты «да/нет», результаты «сдал/не сдал» и так далее. Другими словами, если результат может быть описан как относящийся к одной из двух категорий.

Логистическая регрессия делает прогнозы на основе независимых переменных, которые предполагаются или о которых известно, что они влияют на результат. Например, на вероятность того, что спортивная команда выиграет свою игру, могут влиять независимые переменные, такие как погода, день недели, играют ли они дома или на выезде, а также их результаты в предыдущих матчах.

Какие типичные ошибки возникают при регрессионном анализе?

Во всем мире предприятия все больше полагаются на качественные данные и идеи для принятия решений, но для принятия точных решений важно, чтобы собранные данные и статистические методы, используемые для их анализа, были надежными и точными.

Использование неверных данных или неправильных предположений может привести к принятию неверных решений, упущению возможностей для повышения эффективности и экономии и, в конечном счете, нанести ущерб вашему бизнесу в долгосрочной перспективе.

• Предположения

При выполнении регрессионного анализа, будь то простая линейная или множественная регрессия, очень важно убедиться, что допущения, которые требует выбранный вами метод, соблюдены. Например, если ваши точки данных не соответствуют прямой линии наилучшего соответствия, вам необходимо применить дополнительные статистические модификации, чтобы учесть нелинейные данные. Например, если вы просматриваете данные о доходах, которые масштабируются по логарифмическому распределению, вы должны использовать естественный журнал доходов в качестве переменной, а затем скорректировать результат после создания модели.

• Корреляция против причинно-следственной связи

Это избитая фраза, которую стоит повторить: корреляция не равна причинно-следственной связи. Хотя переменные, связанные причинно-следственной связью, всегда демонстрируют корреляцию, обратное не всегда верно. Более того, нет статистических данных, которые могли бы определить причинно-следственную связь (хотя дизайн вашего исследования в целом может это сделать).

Если вы наблюдаете корреляцию в своих результатах, как в первом примере, который мы привели в этой статье, где была корреляция между лидами и продажами, вы не можете предположить, что одно повлияло на другое. Вместо этого вы должны использовать его в качестве отправной точки для более глубокого исследования отношений между переменными.

• Выбор неправильных переменных для анализа

Прежде чем использовать какой-либо статистический метод, важно детально изучить предмет, который вы исследуете. Это означает, что вы делаете осознанный выбор переменных и не упускаете из виду что-то важное, что может оказать существенное влияние на вашу зависимую переменную.

• Модель здания

  Переменные, которые вы включаете в свой анализ, так же важны, как и переменные, которые вы решили исключить. Это связано с тем, что на силу каждой независимой переменной влияют другие переменные в модели. Другие методы, такие как анализ ключевых факторов, могут учитывать эти переменные взаимозависимости.

Преимущества использования регрессионного анализа

Существует несколько преимуществ использования регрессионного анализа, позволяющего оценить, как изменение переменных повлияет на ваш бизнес, и убедиться, что вы фокусируетесь на правильных вещах при прогнозировании.

Вот лишь некоторые из этих преимуществ:

Делайте точные прогнозы

Регрессионный анализ обычно используется при прогнозировании и перспективном планировании бизнеса. Например, при прогнозировании продаж на год вперед в игру вступает ряд различных переменных, определяющих конечный результат.

Регрессионный анализ может помочь вам определить, какие из этих переменных могут оказать наибольшее влияние на основе предыдущих событий, и помочь вам сделать более точные прогнозы и предсказания.

Определение неэффективности

Используя уравнение регрессии, бизнес может определить области для улучшения, когда речь идет об эффективности, будь то с точки зрения людей, процессов или оборудования.

Например, регрессионный анализ может помочь производителю автомобилей определить количество заказов на основе внешних факторов, таких как экономика или окружающая среда.

Используя исходное уравнение регрессии, они могут использовать его для определения количества сотрудников и оборудования, необходимого для выполнения заказов.

Принятие лучших решений

Улучшение процессов или бизнес-результатов всегда находится в умах владельцев и бизнес-лидеров, но без действенных данных они просто полагаются на интуицию, и это не всегда срабатывает.

Это особенно верно, когда речь идет о цене. Например, в какой степени повышение цены (и до какого уровня) повлияет на продажи в следующем квартале?

Без анализа данных это невозможно узнать. Регрессионный анализ может помочь понять корреляцию между ростом цен и продаж на основе исторических данных.

Как предприятия используют регрессию? Пример из реальной жизни

Расходы на маркетинг и рекламу — общие темы для регрессионного анализа. Компании используют регрессию, когда пытаются оценить соотношение расходов на рекламу и маркетинг к доходам.

Типичным примером является использование уравнения регрессии для оценки корреляции между затратами на рекламу и конверсиями новых клиентов. В данном случае

• нашей зависимой переменной (фактором, результаты которого мы пытаемся оценить) будут наши конверсии
• независимой переменной (коэффициент, который мы изменим, чтобы оценить, как он влияет на результат) будут ежедневные расходы на рекламу
• уравнение регрессии попытается определить, имеет ли увеличение расходов на рекламу прямую корреляцию с количеством конверсий, которые у нас есть

Анализ относительно прост — используя исторические данные из рекламного аккаунта, мы можем использовать ежедневные данные, чтобы оценить расходы на рекламу по сравнению с конверсиями и то, как изменения в расходах влияют на конверсии.

Оценивая эти данные с течением времени, мы можем делать прогнозы не только того, приведет ли увеличение расходов на рекламу к увеличению количества конверсий, но и того, какой уровень расходов приведет к увеличению числа конверсий. Это может помочь оптимизировать расходы на кампанию и обеспечить хорошую рентабельность инвестиций в маркетинг.

Это пример простой линейной модели. Если вы хотите выполнить более сложное уравнение регрессии, мы могли бы также учитывать другие независимые переменные, такие как сезонность, ВВП и текущий охват выбранных нами рекламных сетей.

Увеличивая количество независимых переменных, мы можем лучше понять, приводят ли расходы на рекламу к увеличению числа конверсий, оказывают ли они влияние в сочетании с другим набором переменных или же мы имеем дело с корреляцией без причинно-следственной связи, что в любом случае может быть полезно для прогнозов, но не является рычагом, который мы можем использовать для увеличения продаж.

Используя это предсказанное значение каждой независимой переменной, мы можем более точно предсказать, как расходы изменят коэффициент конверсии рекламы.

Инструменты регрессионного анализа

Регрессионный анализ является важным инструментом, когда речь идет об улучшении процесса принятия решений и улучшении бизнес-результатов. Чтобы получить максимальную отдачу от этого, вам нужно инвестировать в правильное программное обеспечение для статистического анализа.

Лучшим вариантом, вероятно, будет тот, который находится на пересечении мощного статистического анализа и интуитивно понятной простоты использования, поскольку это позволит всем, от новичков до опытных аналитиков, раскрывать значение данных, выявлять скрытые тенденции и создавать прогностические модели без статистических данных. требуется обучение.

Чтобы предотвратить дорогостоящие ошибки, выберите инструмент, который автоматически выполняет нужные статистические тесты и визуализацию, а затем переводит результаты на простой язык, который может применить любой.

С помощью мощного и удобного программного обеспечения вы можете изолировать ключевые драйверы опыта, понять, что влияет на бизнес, применить наиболее подходящие методы регрессии, выявить проблемы с данными и многое другое.

Learn more

• 
  Комплекс медицинский
• 
  Спрей для бронхов
• 
  Проктолог медцентр
• 
  Что нельзя есть при щитовидке
• 
  Как убрать мозоль между пальцами
• 
  Слива при подагре
• 
  Летаргический сон это
• 
  Олигоменорея симптомы
• 
  Лечение солевыми компрессами
• 
  Какие продукты желчегонные
• 
  Селезенка увеличена лечение