3分钟,看回归分析模型怎么做

2 评论 5333 浏览 7 收藏 8 分钟

编辑导语:回归分析模型是用来做预测的,而在数据分析里面,预测可分为连续型预测与分类预测。本文作者从一个简单的线性回归开始说起,分析该模型有什么用以及怎么用,分享给你,一起来看看。

大家好,我是爱学习的小xiong熊妹。总有小伙伴想看分析模型,我们就从最简单的回归分析模型讲起。回归分析是所有分析模型里最浅显、最容易懂的,并且回归分析有很多变化形态,能适用于很多问题场景。今天就一起来看一下。

一、为什么叫回归?

回归翻译自:regression,最初是统计学家们,关注到:孩子的身高总会向平均身高靠近,即使父母都很高,孩子也不会无限长高下去。从这些研究里,总结出回归分析方法(regression,还有一个意思是:退化,可以说很形象了)。

所以,这里的“回归”只是一个习惯称呼,和业务部门口中的“回归初心”“回归原点”一毛钱关系都没有!在讨论问题的时候,业务部门最喜欢扯“回归”,做数据的小伙伴们,千万别被绕进去了!!!

二、回归模型有什么用?

回归模型是用来做:预测的。在数据分析里,预测分两种:

连续型预测:比如预计销售额是3550万,预测客户15万,预测结果是一个连续型数字。

分类预测:比如预计用户接电话/不接电话,预计新品上市后是A级/B级/C级,预测结果不是一个连续型数字,而是一个分类结果。

大部分回归分析模型都是连续型预测(逻辑回归除外)。今天就从最简单的,只有一个变量的简单线性回归分析讲起。

三、如何进行回归分析

做回归分析有五步:

第一步:确认是否是预测问题

第二步:确认要预测的因变量,影响预测结果的自变量

第三步:收集数据,检验数据间关系

第四步:计算模型,检验结果

第五步:进行预测

看个具体问题场景:某公司在新品上市前,会提前进行宣传,并进行预约。虽然最终上市以后,并非只有预约用户买,但是如果能通过预约人数,预测销售情况,就能提前预判商品会不会受欢迎,从而把控库存情况。具体数据如下表。

拿到问题后,一步步来:第一步:该场景需要的是预测,要预测的是销售额,是一个连续型变量。第二步:确认因变量,自变量。该问题中:

  • 因变量(要预测的):销售额
  • 自变量(影响预测结果的):预约人数

没有其他变量了。

拿到数据后,可初步判断两个指标是否有关系,是何种关系,从而选择合适的模型。判断关系,最简单快捷的方法就是:散点图。因此拿到数据以后,可以先做散点图。如上图所示,因变量和自变量之间看起来是有明显线性关系的,因此可以用线性回归来做。

第三步:收集数据,题目已帮忙收集好了,进入下一步。

第四步:进行计算。简单的线性回归,用excel→数据分析→回归即可计算(如下图)。

至于模型解读,略为复杂,我们慢慢看哦~

四、模型计算与解读

回归分析的模型解读略显复杂,并且包含了大量假设检验的知识,这里先不探讨其复杂原理,给个最简单的判断原则,小伙伴们抄起来能用即可。模型解读,分为三个部分:

模型本身预测准不准。主要看R平方(如下图蓝色)。

模型整体是否有效。主要看F检验的结果(如下图橙色)。

模型里,每个因变量的检验结果(如下图绿色)。

从上图可以看出,本次建模的三个检验结果全部通过,表明模型可用。这次建模只有一个自变量+一个常数项,因此最终模型就是y=60+5x。常数项和自变量的数值,参见下图黄色部分。

五、回归分析模型应用

有了回归模型,我们就能预测未来情况啦。比如有一款新品,预约人数为4.5万人,则可以代入模型,预测销量为60+5*4.5=82.5万,商品部门就能据此备货了。

六、回归分析局限性

没有模型是万能的,回归分析突出弱点有两个:

回归不等于因果!不等于因果!不等于因果!回归模型只能从数据上说明:两个变量存在关系,但是实际上有没有关系,得看具体业务情况。因此千万不要乱用。

模型检验可能难以通过。为了演示方便,本文选择的数据非常漂亮,做出来三项检测全部通过,但实际情况会很复杂,出现各种检测不通过的情况,因此也衍生出更多、更复杂的知识点,这个我们后边慢慢分享。

实际上,本文仅仅是开了个头,回归分析有更多应用方式,比如用来预测用户响应/不响应的逻辑回归、用来预测时间走势的时间序列自回归等,小伙伴们先理解了回归分析基本概念,我们再深入哦。

 

作者:码工小熊,微信公众号:码工小熊

本文由 @码工小熊 原创发布于人人都是产品经理,未经许可,禁止转载。

题图来自pexels,基于CC0协议

给作者打赏,鼓励TA抓紧创作!
更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 回归分析是所有分析模型里最浅显、最容易懂的,并且回归分析有很多变化形态,能适用于很多问题场景。非常实用。

    回复
  2. 也可以利用SPSS和MATLAB哈哈哈

    回复