Inhaltsverzeichnis:
Definition - Was bedeutet multiple Regression?
Multiple Regression ist ein statistisches Werkzeug, mit dem der Wert eines Kriteriums aus mehreren anderen unabhängigen Variablen oder Prädiktorvariablen abgeleitet wird. Es ist die gleichzeitige Kombination mehrerer Faktoren, um zu beurteilen, wie und inwieweit sie sich auf ein bestimmtes Ergebnis auswirken.
Diese Technik bricht zusammen, wenn die Natur der Faktoren selbst nicht messbar oder rein zufällig ist.
Techopedia erklärt Multiple Regression
Im wirklichen Leben gibt es viele Fälle multipler Regression. Ein Zonenplaner möchte beispielsweise wissen, wie sich Faktoren wie das durchschnittliche Haushaltseinkommen in der Region, die Grundfläche des Hauses, die Landfläche des Hauses und das Baujahr auf den Wert von Häusern auswirken. Nachdem er all dies in ein System eingezeichnet hat, das mehrere Regressionen durchführen kann, stellt er fest, dass die Faktoren, die den Verkaufspreis eines Hauses am meisten beeinflussen, die Fläche und das durchschnittliche Einkommen in der Region sind. Die mehrfache Regression kann sogar noch weiter gehen und ihm zeigen, dass die Häuser mit hohen Preisen in viel größerem Maße von denselben beiden Faktoren betroffen sind als Häuser mit niedrigen und mittleren Preisen.
Ein weiteres Beispiel ist ein Personalvermittlungsunternehmen, das versucht, eine angemessene Vergütung zu ermitteln. Es wird festgestellt, dass die Prädiktorvariablen für das Gehalt das aktuelle Gehalt, die Anzahl der von einem Mitarbeiter beaufsichtigten Personen und die Höhe der Verantwortung sind, die diesem Mitarbeiter übertragen wird. Das Unternehmen kann mithilfe einer multiplen Regression herausfinden, dass das aktuelle Gehalt eines potenziellen Mitarbeiters die wichtigste Determinante für das Gehalt ist, das die Person bereit ist, in einem neuen Job anzunehmen.
Multiple Regression ist jedoch in Fällen unzuverlässig, in denen die Wahrscheinlichkeit groß ist, dass die Ergebnisse durch nicht messbare Faktoren oder durch reinen Zufall beeinflusst werden. Beispielsweise können wir mit Hilfe der Regression nicht genau berechnen, inwieweit verschiedene Faktoren (Konjunkturlage, Inflation, verfügbares Durchschnittseinkommen, Ertragsprognosen der Unternehmen usw.) den Aktienindex in genau 20 Jahren beeinflussen. Es gibt einfach zu viele Unbekannte in der Mechanik dieser externen Faktoren.
