App Multiple Linear Regression

ivan gabrovski

Conține anunțuri

Despre aplicație

Regresia liniară multiplă este o metodă statistică utilizată pentru a modela relația dintre o variabilă dependentă și două sau mai multe variabile independente prin ajustarea unei ecuații liniare la datele observate. Regresia liniară multiplă explică modul în care mai mulți predictori afectează simultan o variabilă de rezultat.

Componentele principale ale regresiei liniare multiple:

- Variabilă dependentă (Y): Aceasta este variabila pe care dorim să o prezicem. Este adesea numită și „variabila țintă” sau „răspuns”.

- Variabile independente (X1, X2, ..., Xn): Acestea sunt variabilele pe care le folosim pentru a prezice variabila dependentă. Sunt adesea numite și „predictori” sau „variabile explicative”.

- Modelul de regresie: Ecuația regresiei liniare multiple are următoarea formă:
Y = beta_0 + beta_01* X1 + beta_2*X2 + ... + beta_n* Xn
unde:
Y este variabila dependentă. X1, X2, ..., Xn sunt variabilele independente.
beta_0 este constanta (intersecția cu axa). beta_1, beta_2, ..., beta_n sunt coeficienții de regresie care indică influența variabilelor independente corespunzătoare asupra variabilei dependente.

Aplicații: - Economie (predicția veniturilor); - Sănătate (analiza factorilor de risc); - Inginerie; - Științe sociale; - Prognoza afacerilor.

Exemplu: Predicția prețului casei pe baza: - Dimensiunii casei; - Numărului de dormitoare; - Vârstei casei

În aplicație, fiecare obiect Object_k( object_1, object_2 ... object_m) este descris de variabile independente (Xki – caracteristici, i = 1...n) și o variabilă dependentă (Yk - țintă). O metodă precum metoda celor mai mici pătrate ordinare (OLS) este utilizată pentru a calcula valorile optime ale coeficienților (beta_0, beta_1, beta_2, ..., beta_n). Valoarea țintă se calculează prin:
Y = beta_0 + beta_01* P1 + beta_2 *P2 + ... + beta_n* Pn
unde: P1, P2...Pn sunt predictori ai țintei. Aplicația salvează datele pentru modelele de regresie multiple într-o bază de date (DB) de tip SQLite numită AppMultipleLinearRegression.db. Modelele de regresie se disting prin nume.

Ecranul de pornire al aplicației (App Multiple Linear Regression Solver) afișează o listă de exemple de modele de regresie (în lista rotativă) și butoane pentru activarea funcțiilor de creare (Eșantion nou), încărcare (Încărcare), salvare (Salvare), salvare ca (Salvare ca), calculare (Calculare) și ștergere (Ștergere) exemple de modele de regresie. Din ecranul principal, prin intermediul elementelor de meniu, puteți accesa și funcții precum selectarea limbii, salvarea și copierea bazei de date, inițializarea bazei de date cu date eșantion și funcții auxiliare, cum ar fi ajutorul pentru aplicație, setări și un link către site-ul web cu o descriere a tuturor aplicațiilor de către autori. Funcțiile pentru crearea (Eșantion nou) includ dialogul pentru introducerea dimensiunii matricei unde se introduc datele noului eșantion - numărul de rânduri (numărul de rânduri pentru datele prezise P1, P2...Pn - ultimul rând) și numărul de coloane (numărul de coloane pentru datele dependente Y1, Y2,...Yk - ultima coloană). Apoi, se generează un tabel pentru introducerea datelor relevante. Tabelul populat trebuie denumit înainte de a fi salvat. Funcția Încărcare șterge tabelul.

Tabelul vechi salvat poate fi afișat prin selectare din lista rotativă. Tabelul afișat poate fi calculat, iar soluția apare în dialogul Rezultate aplicație. Funcția Imprimare poate fi executată din acest dialog în fișierul AppMultipleLinearRegressionSolver.txt. Activitatea Imprimare include Salvare bază de date/Salvare fișier prin selectarea folderului în care se salvează fișierul. După selectarea folderului, apare butonul pentru salvare. Din aceeași activitate se poate afișa conținutul fișierului selectat, se poate redenumi fișierul sau folderul, se poate crea un folder nou și se poate șterge fișierul selectat.

Regresia liniară multiplă este un instrument puternic de analiză a datelor, dar trebuie utilizat cu prudență și cu înțelegerea limitelor sale.
Dezavantaje: Sensibil la multicoliniaritate (corelație puternică între variabilele independente). Nu surprinde întotdeauna relațiile neliniare. Necesită o validare atentă și verificarea ipotezelor.