App Multiple Linear Regression

ivan gabrovski

広告が表示されます

このアプリについて

重回帰分析は、観測データに線形方程式を当てはめることにより、1つの従属変数と2つ以上の独立変数の関係をモデル化する統計手法です。重回帰分析は、複数の予測変数が同時に1つの結果変数にどのように影響するかを説明します。
重回帰分析の主な構成要素：
- 従属変数（Y）：予測対象となる変数です。「目的変数」または「応答変数」と呼ばれることもあります。
- 独立変数（X1、X2、...、Xn）：従属変数を予測するために使用する変数です。「予測変数」または「説明変数」と呼ばれることもあります。
- 回帰モデル：重回帰分析の式は以下のようになります。
Y = beta_0 + beta_01* X1 + beta_2*X2 + ... + beta_n* Xn
ここで：
Yは従属変数です。X1、X2、...、Xnは独立変数です。
beta_0は定数（切片）です。 beta_1、beta_2、…、beta_n は、対応する独立変数が従属変数に与える影響を示す回帰係数です。

用途： - 経済学（所得予測） - ヘルスケア（リスク要因分析） - 工学 - 社会科学 - ビジネス予測
例：以下の情報に基づいて住宅価格を予測する： - 住宅の広さ - 寝室数 - 築年数
アプリでは、各オブジェクト Object_k（object_1、object_2、…object_m）は、独立変数（Xki - 特徴量、i = 1…n）と1つの従属変数（Yk - ターゲット）によって記述されます。係数（beta_0、beta_1、beta_2、…、beta_n）の最適値を計算するには、通常最小二乗法（OLS）などの手法が使用されます。目標値は次のように計算されます。
Y = beta_0 + beta_01* P1 + beta_2 * P2 + ... + beta_n* Pn
ここで、P1、P2、...Pn は目標値の予測変数です。
アプリケーションは、多重回帰モデルのデータをAppMultipleLinearRegression.dbというSQLiteデータベース（DB）に保存します。回帰モデルは名前で区別されます。
アプリケーション（App Multiple Linear Regression Solver）の起動画面には、回帰モデルのサンプルリスト（スピナーリスト）と、回帰モデルのサンプルの作成（新規サンプル）、読み込み（読み込み）、保存（保存）、名前を付けて保存（名前を付けて保存）、計算（計算）、削除（削除）機能を有効にするボタンが表示されます。メイン画面のメニュー要素から、言語の選択、データベースの保存とコピー、サンプルデータによるデータベースの初期化などの機能や、アプリケーションのヘルプ、設定、すべてのアプリケーションの説明を含むWebサイトへのリンクなどの補助機能にもアクセスできます。
（新規サンプル）作成機能には、新規サンプルのデータを入力する行列のサイズ（行数（予測データP1、P2、…Pnの行数 - 最終行））と列数（従属データY1、Y2、…Ykの列数 - 最終列）を入力するダイアログが含まれます。次に、関連データを入力するためのテーブルが生成されます。入力したテーブルは、保存前に名前を付ける必要があります。「ロード」機能はテーブルをクリアします。
スピナーリストから選択することで、以前に保存したテーブルが表示される場合があります。表示されているテーブルは計算され、解が「アプリ結果」ダイアログに表示されます。このダイアログから、ファイルAppMultipleLinearRegressionSolver.txtの「印刷」機能を実行できます。「印刷」機能には、「データベースの保存/ファイルの保存」アクティビティが含まれており、ファイルの保存先フォルダーを選択します。フォルダーを選択すると、保存ボタンが表示されます。同じアクティビティから、選択したファイルの内容の表示、ファイルまたはフォルダーの名前変更、新しいフォルダーの作成、選択したファイルの削除を行うことができます。
重回帰分析は強力なデータ分析ツールですが、その限界を理解した上で慎重に使用する必要があります。
デメリット：多重共線性（独立変数間の強い相関）の影響を受けやすい。非線形関係を必ずしも捉えられるわけではない。仮定の慎重な検証と確認が必要である。