Multipel regression er en af de mest almindeligt anvendte statistiske teknikker , og mange mennesker er bekendt med det, i det mindste i omrids. Dette vil især være tilfældet for folk uddannet på det sociale, adfærdsmæssige eller fysiske videnskaber ; for denne målgruppe , kendskab er en fordel. På den anden side, hvis din målgruppe er den brede befolkning, så mange mennesker vil være bekendt med multipel regression ; for denne målgruppe , kendskab er en ulempe , og du måske ønsker at bruge en enklere statistik eller stole helt på grafer .
Forudsætninger
Multipel regression gør fire antagelser , og disse skal kontrolleres. Forudsætningerne er omkring fejlene fra modellen ; fejlene er forskellen mellem den forudsagte værdi af den afhængige variabel og den faktiske værdi af den afhængige variabel. Multipel regression antager, at fejlene fra den model, der normalt er fordelt ; at fejlene har konstant varians ; at middelværdien af fejlene er nul ; og at fejlene er uafhængige .
Fleksibilitet
Multipel regression er en meget fleksibel metode. De uafhængige variable kan være numerisk eller kategorisk , og samspillet mellem variabler kan indarbejdes ; og polynomielle udtryk kan også være inkluderet. For eksempel til at undersøge sammenhængen mellem vægt og højde , alder og køn , kan du medtage højden kvadreret og produktet af højde og køn .
Derefter forholdet mellem højde og vægt vil være forskellig for mænd og kvinder , og forudsagt forskel i vægt mellem et 5- mund- høj person og en 5 - mund- 1 person er ikke det samme som mellem en 6- mund- høj person og en 6 -fods - 1 person .
Brug af flere variabler
Multipel regression bruger flere uafhængige variable , med hver kontrol for de andre. For eksempel i den model af vægten som relateret til højde , alder og køn , anslår model effekten af højden kontrollerende til sex. Parameteren for højden besvarer spørgsmålet " Hvad er forholdet mellem højde og vægt , da en person er mand eller kvinde og en vis alder ? "