Talaan ng mga Nilalaman:
- Kahulugan - Ano ang ibig sabihin ng Maramihang Pagsisilaw?
- Ipinapaliwanag ng Techopedia ang Maramihang Paghinang
Kahulugan - Ano ang ibig sabihin ng Maramihang Pagsisilaw?
Ang maraming regression ay isang tool na istatistika na ginamit upang makuha ang halaga ng isang criterion mula sa maraming iba pang independiyenteng, o prediktor, mga variable. Ito ay ang sabay-sabay na pagsasama-sama ng maraming mga kadahilanan upang masuri kung paano at kung anong epekto ang nakakaapekto sa isang tiyak na kinalabasan.
Ang pamamaraan na ito ay nasira kapag ang likas na katangian ng mga kadahilanan sa kanilang sarili ay isang hindi matamo o puro-posibilidad na kalikasan.
Ipinapaliwanag ng Techopedia ang Maramihang Paghinang
Mga yugto ng maraming regresyon na napakarami sa totoong buhay. Halimbawa, nais ng isang zonal planner na malaman kung paano ang halaga ng mga bahay ay apektado ng mga kadahilanan tulad ng average na kita ng sambahayan sa lugar, square footage ng bahay, acreage ng lupa at sa taon na itinayo ito. Matapos magplano ang lahat ng ito sa isang system na maaaring magsagawa ng maraming regresyon, nalaman niya na ang mga kadahilanan na pinaka nakakaapekto sa presyo ng pagbebenta ng bahay ay ang square footage at average na kita sa lugar. Marami pang regresyon ay maaaring lumayo pa at ipakita sa kanya na ang mga mataas na presyo ng mga bahay ay apektado ng parehong dalawang mga kadahilanan sa mas malaking sukat kaysa sa mga mababang-at katamtamang presyo na mga bahay.
Ang isa pang halimbawa ay isang recruiting firm na sumusubok upang matukoy ang angkop na kabayaran. Napag-alaman na ang mga variable ng prediktor para sa suweldo ay kasalukuyang suweldo, ang bilang ng mga tao na pinangangasiwaan ng isang empleyado at ang halaga ng responsibilidad na ibinibigay ng empleyado. Ang kumpanya ay maaaring gumamit ng maraming regresyon upang malaman na ang kasalukuyang potensyal ng suweldo ng isang empleyado ay ang tanging pinakamahalagang determinant ng suweldo na nais ng tao na tanggapin sa isang bagong trabaho.
Gayunman, ang maraming regression, ay hindi maaasahan sa mga pagkakataon kung saan may isang mataas na posibilidad ng mga kinalabasan na apektado ng hindi maipalabas na mga kadahilanan o sa pamamagitan ng purong pagkakataon. Halimbawa, hindi namin tumpak na gumamit ng regression upang makalkula kung anong saklaw ng iba't ibang mga kadahilanan (estado ng ekonomiya, inflation, average na kita na magagamit, mga pagtataya ng kita ng mga kumpanya, atbp.) Ay maimpluwensyahan ang indeks ng stock market sa eksaktong 20 taon. Maraming mga hindi alam sa mga mekanika ng mga panlabas na salik na ito.
