Les avantages et Inconvénients d'un modèle de régression multiple

La régression multiple est une technique statistique pour l'examen de la relation entre une variable , appelée variable dépendante ou de résultat , et plus d'une variables indépendantes . La variable dépendante doit être continue ou presque continue . Les variables indépendantes peuvent être catégoriques ou continues . Par exemple , vous pourriez faire une régression multiple examinant la relation entre le poids ( la variable dépendante) et la hauteur , l'âge et le sexe (les variables indépendantes ) . Niveau de connaissance

régression multiple est l'une des techniques statistiques les plus couramment utilisés , et beaucoup de gens sont familiers avec elle , au moins dans les grandes lignes . Ce sera particulièrement vrai des personnes instruites dans les sciences sociales , comportementales ou physiques; pour ce public , la connaissance est un avantage . D'autre part , si votre public est la population générale , alors beaucoup de gens seront familiers avec la régression multiple; pour ce public , la connaissance est un inconvénient , et vous voudrez peut-être utiliser une statistique simple ou compter entièrement sur ​​les graphes .

hypothèses

régression multiple fait quatre hypothèses , et celles-ci doivent être vérifiés . Les hypothèses sont sur ​​les erreurs du modèle; les erreurs sont la différence entre la valeur prédite de la variable dépendante et la valeur réelle de la variable dépendante . Régression multiple suppose que les erreurs du modèle sont normalement distribués; que les erreurs ont une variance constante; que la moyenne des erreurs est égal à zéro; et que les erreurs sont indépendantes .

flexibilité

de régression multiple est une méthode très flexible. Les variables indépendantes peuvent être numériques ou catégoriques , et les interactions entre les variables peuvent être incorporés; et des termes polynomiaux peuvent également être inclus . Par exemple , en examinant la relation entre le poids et la taille, l'âge et le sexe, vous pouvez inclure la taille au carré et le produit de la hauteur et le sexe .
Puis la relation entre la hauteur et le poids serait différent pour les hommes et les femmes , et la différence prévue de poids entre une personne de 5 pieds de haut et une personne de 5 pieds 1 n'est pas la même que celle entre une personne de 6 pieds de haut et une personne de 6 pieds 1 .

l'utilisation de plusieurs variables

régression multiple utilise plusieurs variables indépendantes , avec chacun contrôlant pour les autres. Par exemple , dans le modèle de poids liée à la taille , l'âge et le sexe, le modèle estime l'effet de commande de hauteur pour le sexe. Le paramètre de hauteur répond à la question «Quelle est la relation entre la hauteur et le poids , étant donné qu'une personne est un homme ou une femme et d'un certain âge ? "