Kalkulator Regresi Berbilang

Kira persamaan regresi berbilang dengan dua atau lebih peramal. Cari model terbaik untuk data anda menggunakan alat analisis statistik dalam talian percuma...

Kira Sekarang
Multiple Regression Visualization

Kalkulator Regresi Berbilang

Kira persamaan regresi berbilang dengan dua atau lebih peramal. Cari model terbaik untuk data anda menggunakan alat analisis statistik dalam talian percuma...

Masukkan titik data anda

Cara Menggunakan Ini Kalkulator Regresi Berbilang

Complex Modeling

Analyze how multiple factors simultaneously influence your dependent variable.

Output Statistik

Calculate partial coefficients, standard errors, and adjusted R-squared values.

Diagnostics

Built-in checks for multicollinearity and model significance.

Multiple regression helps isolate the effect of one variable while controlling for others.

Cara Mengira Regresi Berganda

📐 Regresi berbilang memanjangkan regresi linear mudah kepada dua atau lebih pembolehubah peramal, menghasilkan persamaan y = b₀ + b₁x₁ + b₂x₂ + … + bₚxₚ, di mana setiap pekali bᵢ meramalkan kesan y = bᵢ semua peramal lain dimalarkan.

❌ Sifat "pegangan malar" inilah yang menjadikan regresi berbilang sangat berkuasa — ia membolehkan anda mengasingkan sumbangan unik setiap peramal, mengawal pengeliru yang sebaliknya akan memesongkan keputusan anda. Sebagai contoh, jika anda ingin mengkaji kesan pendidikan ke atas pendapatan, hanya mengundurkan pendapatan ke atas pendidikan akan menggabungkan kesan pendidikan dengan kesan pengalaman, kerana orang yang lebih berpendidikan juga cenderung mempunyai lebih banyak pengalaman.

📐 Regresi berganda menyelesaikannya dengan memasukkan kedua-dua pendidikan dan pengalaman sebagai peramal, jadi setiap pekali mencerminkan kesan tulen pembolehubah itu sahaja. Regresi berbilang ialah teknik regresi yang paling banyak digunakan dalam penyelidikan, analitik perniagaan, sains sosial, perubatan dan pembelajaran mesin kerana hasil dunia sebenar hampir selalu bergantung pada berbilang faktor secara serentak.

📊 Model peramal tunggal jarang menangkap cukup variasi untuk berguna — menambah peramal yang berkaitan hampir selalu meningkatkan kuasa penjelasan dan meningkatkan ketepatan ramalan. Statistik utama yang dilaporkan termasuk R² (kadaran varians yang dijelaskan oleh semua peramal bersama-sama), R² terlaras (yang menghukum kerana menambah peramal yang tidak benar-benar menambah baik model), F-statistik (yang menguji sama ada model keseluruhan adalah signifikan dari segi statistik), dan ralat standard anggaran (yang menunjukkan titik regresi daripada purata jarak. hyperplane).

📊 Memahami metrik ini adalah penting untuk membina model yang boleh dipercayai dan mengelakkan overfitting, yang berlaku apabila terlalu banyak peramal disertakan berbanding dengan saiz sampel.

How Multiple Regression Works

Andaian Regresi Berganda

1. Kelinearan: Setiap peramal mesti mempunyai hubungan linear dengan Y apabila peramal lain dipegang tetap. Semak dengan plot regresi separa (juga dipanggil plot pembolehubah tambah) dan plot baki. Corak melengkung menunjukkan keperluan untuk istilah polinomial atau transformasi berubah-ubah.
2. Kemerdekaan: Sisa mestilah bebas — tiada autokorelasi. Semak dengan ujian Durbin-Watson (d ≈ 2 bermakna tiada autokorelasi). Data siri masa sering melanggar andaian ini; pertimbangkan untuk menambah istilah ketinggalan atau menggunakan model ARIMA jika autokorelasi dikesan.
3. Homoskedastisitas: Varians baki mestilah malar merentas semua nilai yang diramalkan. Semak dengan plot baki (hamparan hendaklah lebih kurang sama) atau ujian Breusch-Pagan. Bentuk corong menunjukkan heteroskedastisitas, yang boleh ditangani dengan kuasa dua terkecil berwajaran atau ralat standard teguh.
4. Kenormalan: Sisa hendaklah diagihkan secara lebih kurang normal. Semak dengan histogram, plot Q-Q, atau ujian Jarque-Bera. Sampel besar (n> 30) lebih teguh kepada pelanggaran disebabkan teorem had pusat.
5. Tiada multikolineariti: Peramal tidak boleh terlalu berkorelasi antara satu sama lain. Semak dengan faktor inflasi varians (VIF> 5 menunjukkan masalah) atau matriks korelasi antara peramal. Pemulihan termasuk menjatuhkan satu peramal berkorelasi, menggabungkan peramal melalui PCA, atau menggunakan regresi rabung.
6. Persampelan perwakilan: Data hendaklah merupakan sampel yang mewakili populasi yang diminati. Sampel kemudahan, julat terpotong atau pembolehubah yang ditinggalkan boleh menghasilkan keputusan regresi mengelirukan yang tidak digeneralisasikan.