Többszörös regresszióval vizsgálják több független változó és egy függő változó közötti kapcsolatot. Míg a több regressziós modell lehetővé teszi e független vagy előrejelző változók relatív hatásainak elemzését a függő, vagy kritérium, változó, ezek a gyakran összetett adatsorok hamis következtetésekhez vezethetnek, ha nem elemzik őket megfelelően.
Példák többszörös regresszióra
Egy ingatlanügynök többszörös regresszióval elemezheti a házak értékét. Például független változóként használhatja a házak méretét, életkorát, a hálószobák számát, a környék átlagos lakásárát és az iskolák közelségét. Ezeket többszörös regressziós modellben ábrázolja, majd felhasználhatja ezeket a tényezőket, hogy kritériumváltozóként láthassa a házak áraival való kapcsolatukat.
A többszörös regressziós modell alkalmazásának másik példája lehet, hogy valaki az emberi erőforrásokban meghatározza a vezetői pozíciók fizetését - a kritérium változó. Az előrejelző változók lehetnek az egyes vezetők szolgálati ideje, az átlagos ledolgozott órák száma, az irányított személyek száma és a vezető szervezeti költségvetése.
A többszörös regresszió előnyei
Két fő előnye van az adatok többszörös regressziós modell alkalmazásával történő elemzésének. Az első az a képesség, hogy meghatározzuk egy vagy több prediktor változó relatív hatását a kritérium értékére. Az ingatlanügynök megállapíthatja, hogy az otthonok mérete és a hálószobák száma szoros összefüggésben van a otthon, míg az iskolák közelségének nincs összefüggése, sőt negatív korrelációja van, ha elsősorban nyugdíjas közösség.
A második előny a kiugró értékek vagy anomáliák azonosításának képessége. Például a vezetői fizetésekkel kapcsolatos adatok áttekintése során az emberi erőforrás menedzser megállapíthatja, hogy a A ledolgozott órák száma, az osztály létszáma és költségvetése mind szorosan összefügg a fizetésekkel, míg a szolgálati idő igen nem. Alternatív megoldásként előfordulhat, hogy az összes felsorolt előrejelző érték korrelált az egyes vizsgált fizetésekkel, kivéve az egyik vezetőt, aki túlfizetett a többihez képest.
A többszörös regresszió hátrányai
A többszörös regressziós modell használatának bármilyen hátránya általában a felhasznált adatokra vezethető vissza. Erre két példa a hiányos adatok felhasználása, és hamis következtetés arra, hogy a korreláció ok-okozati összefüggés.
Tegyük fel például, hogy az otthonok árának áttekintésekor az ingatlanügynök csak 10 otthont vizsgált meg, amelyekből hetet fiatal szülők vásároltak. Ebben az esetben az iskolák közelsége közötti kapcsolat elhitetheti vele, hogy ez hatással volt a közösségben értékesített összes lakás eladási árára. Ez szemlélteti a hiányos adatok buktatóit. Ha nagyobb mintát használt volna, megállapíthatta volna, hogy a 100 eladott otthon közül a ház értékének csak tíz százaléka kapcsolódik az iskola közelségéhez. Ha a vevők életkorát használta volna előrejelző értékként, megállapíthatta volna, hogy a fiatalabb vásárlók hajlandóak többet fizetni a közösség otthonaiért, mint az idősebb vevők.
Tegyük fel, hogy a vezetői fizetések esetében volt olyan, aki kisebb költségvetéssel, kevesebb szolgálati idővel és kevesebb személyzettel rendelkezett, de többet keresett, mint bárki más. A HR menedzser megnézheti az adatokat, és arra a következtetésre juthat, hogy ez az egyén túlfizetett. Ez a következtetés azonban téves lenne, ha nem venné figyelembe, hogy ez a menedzser irányította a vállalat weboldalát, és a hálózat biztonságában nagyon áhított készségekkel rendelkezett.
