Documente Academic
Documente Profesional
Documente Cultură
Marketing An 2
Elena Prada, Lect. Univ. Dr.
elena.prada@csie.ase.ro
2022
Introducere
Regresia liniară face posibilă estimarea unei variabile pe seama unei alte variabile
(model de regresie liniară simplu) sau a altor variabile (model de regresie liniară
multiplu)
De exemplu, sunt veniturile obținute din vânzările unui produs influențate de prețul produsului și cheltuielile cu
publicitatea pentru acesta?
Variabile
independente
Variabila dependentă
Structura cursului
Scrierea modelului multiplu de regresie
Estimarea rezultatelor cu pachetul Data Analysis in Excel
Interpretarea rezultatelor
Ipotezele modelului de regresie liniară
Scrierea modelului de regresie multiplu
Cum se definește un model de regresie unifactorială liniar?
𝑦 𝛽 𝛽 ·𝑥 𝛽 ·𝑥 ⋯ 𝛽 ·𝑥 𝑒; i 1, 𝑛
Un model multiplu de regresie are k variabile independente! Fiecarei variabile independente ii este asociat
un coeficient de regresie β.
𝛽 ‐ constantă sau intercept
𝛽 ‐ coeficient de regresie asociatei variabilei 𝑥
Valoarea estimată a lui y va fi:
𝛽 ‐ coeficient de regresie asociatei variabilei 𝑥
𝑦 𝛽 𝛽 ·𝑥 𝛽 ·𝑥 ⋯ 𝛽 ·𝑥
...
𝛽 ‐ coeficient de regresie asociatei variabilei 𝑥
Estimarea modelului de regresie multiplu in EXCEL
SUMMARY OUTPUT
Regression Statistics
Multiple R 0.989430469
R Square 0.978972653
Adjusted R Square 0.97296484
Standard Error 2.377677944
Observations 10
ANOVA
df SS MS F Significance F
Regression 2 1842.426533 921.2133 162.9499 1.34817E‐06
Residual 7 39.57346682 5.653352
Total 9 1882
k
Modelul multiplu de regresie în EXCEL
k
Modelul multiplu de regresie în EXCEL
k
Output Excel regresia multiplă
SUMMARY OUTPUT
Regression Statistics
Multiple R 0.989430469
R Square 0.978972653
Adjusted R Square 0.97296484
Standard Error 2.377677944
Observations 10
ANOVA
df SS MS F Significance F
Regression 2 1842.426533 921.2133 162.9499 1.34817E‐06
Residual 7 39.57346682 5.653352
Total 9 1882
Regression Statistics
Multiple R 0.985060221
R Square 0.97034364
Adjusted R Square 0.966636595
Standard Error 2.641336541
Observations 10
ANOVA
df SS MS F Significance F
Regression 1 1826.18673 1826.187 261.7566 2.14066E‐07
Residual 8 55.81326977 6.976659
Total 9 1882
Se compară Significance F celor două modele. Dacă un model are Sig F mai mare
de α=0,05, atunci acesta estimare nu este una potrivită. În exemplul nostru ambele
sunt valide.
ANOVA ANOVA
df SS MS F Significance F df SS MS F Significance F
Regression 1 1826.18673 1826.187 261.7566 2.14066E‐07 Regression 2 1842.426533 921.2133 162.9499 1.34817E‐06
Residual 8 55.81326977 6.976659 Residual 7 39.57346682 5.653352
Total 9 1882 Total 9 1882
Compararea a două modele de regresie
Regresia simplă Regresia multiplă
Ne uităm la semnificativitatea coeficienților. Dacă un coeficient are p‐value mai mare decât α=0,05, atunci acel
coeficient nu e semnificativ iar variabila nu are o influență semnificativă asupra modelului.
Prin urmare, acel model nu este o estimare bună. In exemplul nostru regresia simplă este o estimare bună.
După cum am observat avem 3 criterii de compare a două modele de regresie:
‐ Standard error
‐ Significance F (Sig F)
‐ P‐value aferent coeficienților
Dacă două dintre cele trei criterii sunt în favoarea unui model, vom alege acel model.
În exemplul nostru, standard error si Sig F sunt în favoarea modelului multiplu, iar p‐value în favoarea regresiei simple.
Putem concluziona că modelul multiplu este o estimare potrivită pentru datele noastre.