이제 모든 데이터 포인트의 중간을 통해 대략 실행되는 위의 차트를 통해 선을 그리는 것을 상상해보십시오. 이 라인은 당신이 대답하는 데 도움이됩니다, 확실성의 어느 정도, 그것은 특정 금액을 비가 때 일반적으로 판매 얼마나. 선형 회귀는 점을 통해 가장 적합한 직선을 찾는 것으로 구성됩니다. 가장 적합한 선을 회귀 선이라고 합니다. 그림 2의 검은색 대각선은 회귀 선이며 X의 가능한 각 값에 대해 Y의 예측 점수로 구성됩니다. 점에서 회귀 선까지의 수직선은 예측 오류를 나타냅니다. 보시다시피 빨간색 점은 회귀 선에 매우 가깝습니다. 예측 오차는 작습니다. 반대로 황색점은 회귀 선보다 훨씬 높기 때문에 예측 오차가 큽습니다. 통계 솔루션.

(2013). 데이터 분석 계획: 선형 회귀 [WWW 문서]. http://www.statisticssolutions.com/academic-solutions/member-resources/member-profile/data-analysis-plan-templates/data-analysis-plan-linear-regression/ 에서 검색칸 아카데미의 모든 기능을 로그인하고 사용하려면, 활성화하십시오 브라우저에서 자바 스크립트. Regression 분석은 “분석에서 이동하는 방법”이라고 Redman은 말합니다. 그리고 똑똑한 기업은 모든 종류의 비즈니스 문제에 대한 결정을 내리는 데 사용합니다. “관리자로서 우리는 영업 이나 직원 유지에 영향을 미치거나 최고의 인재를 모집하는 방법을 알아내고자 합니다. 그것은 우리가 무엇을 할 수 있는지 파악하는 데 도움이 됩니다.” 회귀 분석은 이러한 변수 중 실제로 영향을 미치는 변수를 수학적으로 정렬하는 방법입니다. 그것은 질문에 대답 : 가장 중요한 요인은 무엇입니까? 우리는 어느 것을 무시할 수 있는가? 이러한 요소들은 서로 어떻게 상호 작용합니까? 그리고, 아마도 가장 중요한 것은, 우리는 이 모든 요인들에 대해 얼마나 확실한가? 가능하면 가능하면 직장에서 데이터 중심의 의사 결정을 내려야 한다는 것을 알고 있을 것입니다. 그러나 사용 가능한 모든 데이터를 구문 분석하는 방법을 알고 있습니까? 좋은 소식은 당신이 가능성이 자신을 위기 숫자를 할 필요가 없다는 것입니다 (hallelujah!) 하지만 당신은 제대로 이해하고 동료에 의해 생성 된 분석을 해석 할 필요가. 데이터 분석의 가장 중요한 유형 중 하나는 회귀입니다.

. 이 수식이 말하는 것은 “x”가 없는 경우 Y = 200이 없다는 것입니다. 따라서 역사적으로 비가 전혀 내리지 않았을 때 평균 200개의 매출을 기록했으며 다른 변수가 동일하게 유지된다면 동일한 작업을 수행할 것으로 예상할 수 있습니다. 그리고 과거에는 비가 더 내릴 때마다 평균 5개의 판매량을 기록했습니다. Redman은 “x가 하나씩 올라가는 모든 증분마다 y는 5까지 올라갑니다. 이 데이터를 보면 비가 많이 오는 날에는 판매량이 더 높다는 것을 알 수 있습니다. 그것은 알고 재미, 하지만 얼마나 에 의해? 그것은 비가 경우 3 인치, 당신은 당신이 판매 할 얼마나 알고 계십니까? 4 인치 비가 오면 어떨까요? 회귀 방정식은 변수가 표준화되어 평균이 0이고 표준 편차가 1이되도록 하면 더 간단합니다. 이렇게 하면 회귀 선이 됩니다: 점에 대한 예측 오차는 점의 값에서 예측 값(줄의 값)을 뺀 값입니다. 표 2는 예측 값(Y`)과 예측 오차(Y-Y`)를 보여줍니다. 예를 들어 첫 번째 점에는 Y가 1.00이고 예측Y(Y`라고 함)가 1.21입니다.