Slovník pojmů

Lineární regrese (vícenásobná regrese)

Definice

Lineární regrese popisuje, jak závislá proměnná (výnos, cena, spotřeba) závisí na jedné nebo více vysvětlujících proměnných pomocí přímky či roviny odhadnuté metodou nejmenších čtverců. Koeficienty říkají, o kolik se změní výsledek při změně vstupu o jednotku; R² udává, jaký podíl variability model vysvětluje.

Regrese a modely

Model platí za předpokladů: lineární vztah, nezávislá rezidua s konstantním rozptylem a přibližně normálním rozdělením, a bez silné multikolinearity mezi prediktory. Ověřujte je grafy reziduí; odlehlé a vlivné body (Cookova vzdálenost) dokážou koeficienty výrazně zkreslit.

Při více prediktorech pomáhá kroková (stepwise) selekce nebo porovnání modelů podle upraveného R² a informačních kritérií. Regrese je i nástroj predikce — spolu s bodovým odhadem uvádějte interval predikce, který je vždy širší než interval spolehlivosti průměru.

V Statistice

Nabídka Statistiky → Vícenásobná regrese pokrývá jednoduchou i vícenásobnou regresi, krokovou selekci, diagnostiku reziduí, vlivných bodů a multikolinearity (VIF, tolerance) a predikci nových hodnot s intervaly. Nelineární vztahy řeší modul Nelineární odhad a Obecné lineární modely přidávají kategoriální prediktory.

Související pojmy

Návody v knowledgebase

Časté otázky

Co znamená R² = 0,6?
Že model vysvětluje 60 % variability závislé proměnné. Zbylých 40 % připadá na nezahrnuté vlivy a náhodu. Pro porovnání modelů s různým počtem prediktorů použijte upravené R².
Můžu do regrese dát kategoriální proměnnou?
Ano, přes indikátorové (dummy) proměnné — Statistica je v Obecných lineárních modelech vytvoří automaticky.
Co je multikolinearita?
Silná korelace mezi prediktory; koeficienty jsou pak nestabilní a těžko interpretovatelné. Poznáte ji podle VIF > 10 a řešíte vyřazením nebo sloučením proměnných (PCA).

Vyzkoušejte to na vlastních datech

Statistica na 30 dní zdarma

Plná verze bez platební karty, kompletně v češtině. Nebo si nechte poslat orientační cenu za minutu.