App Multiple Linear Regression

ivan gabrovski

包含广告

关于此应用

多元线性回归是一种统计方法，它通过将线性方程拟合到观测数据，来模拟一个因变量与两个或多个自变量之间的关系。多元线性回归解释了多个预测变量如何同时影响结果变量。

多元线性回归的主要组成部分：

- 因变量 (Y)：这是我们想要预测的变量。它通常也称为“目标变量”或“响应”。

- 自变量 (X1, X2, ..., Xn)：这些是我们用来预测因变量的变量。它们通常也称为“预测变量”或“解释变量”。

- 回归模型：多元线性回归方程的形式如下：

Y = β₀ + β₀₁ * X1 + β₂ * X2 + ... + βₙ * Xn

其中：

Y 是因变量。X1, X2, ..., Xn 是自变量。

β₀ 是常数（截距）。 beta_1、beta_2、…、beta_n 是回归系数，表示相应自变量对因变量的影响程度。

应用领域：- 经济学（收入预测）；- 医疗保健（风险因素分析）；- 工程学；- 社会科学；- 商业预测。

示例：基于以下因素预测房价：- 房屋面积；- 卧室数量；- 房屋房龄

在应用程序中，每个对象 Object_k（object_1、object_2、…、object_m）都由自变量（Xki – 特征，i = 1…n）和一个因变量（Yk – 目标值）描述。使用诸如普通最小二乘法 (OLS) 之类的方法来计算系数（beta_0、beta_1、beta_2、…、beta_n）的最优值。目标值计算公式为：

Y = beta_0 + beta_01 * P1 + beta_2 * P2 + ... + beta_n * Pn

其中：P1, P2...Pn 为目标值的预测变量。

应用程序将多元回归模型的数据保存在名为 AppMultipleLinearRegression.db 的 SQLite 数据库 (DB) 中。回归模型通过名称进行区分。

应用程序（多元线性回归求解器）的启动界面会显示回归模型示例列表（以下拉列表形式），以及用于创建（新建示例）、加载（加载）、保存（保存）、另存为（另存为）、计算（计算）和删除（删除）回归模型示例的按钮。在主界面，您还可以通过菜单访问语言选择、​​保存和复制数据库、使用示例数据初始化数据库等功能，以及应用程序帮助、设置等辅助功能，并可访问包含所有应用程序描述的网站链接。

创建新样本的功能包括一个对话框，用于输入矩阵大小，输入新样本的数据——行数（包括预测数据 P1、P2...Pn 的行，直至最后一行）和列数（包括因变量数据 Y1、Y2...Yk 的列，直至最后一列）。然后生成一个表格，用于输入相关数据。填充的表格必须先命名才能保存。“加载”功能用于清除表格。

可以通过从下拉列表中选择来显示之前保存的表格。可以计算显示的表格，并将结果显示在“应用程序结果”对话框中。“打印”功能可以从此对话框执行，并将结果输出到 AppMultipleLinearRegressionSolver.txt 文件。“打印”功能包含“保存数据库/保存文件”活动，用于选择保存文件的文件夹。选择文件夹后，会出现保存按钮。在同一活动中，还可以显示所选文件的内容、重命名文件或文件夹、创建新文件夹以及删除所选文件。

多元线性回归是一种强大的数据分析工具，但必须谨慎使用，并了解其局限性。

缺点：对多重共线性（自变量之间存在强相关性）较为敏感。并非总能捕捉到非线性关系。需要仔细验证和检查假设。