Кіріспе

Статистикалық модельдеуде регрессиялық талдау – тәуелді айнымалы (көбінесе «нәтиже» немесе «жауап» айнымалысы, немесе машиналық оқыту терминологиясында «белгі») мен бір немесе бірнеше тәуелсіз айнымалылар (көбінесе «болжаушылар», «ковариаттар», «түсіндіретін айнымалылар» немесе «ерекшеліктер») арасындағы қатынастарды бағалауға арналған статистикалық процестердің жиынтығы. Регрессиялық талдаудың ең көп таралған түрі – сызықтық регрессия, онда белгілі бір математикалық өлшемге сәйкес деректерге ең жақын келетін түзу (немесе күрделі сызықтық комбинация) табылады. Мысалы, ең кіші квадраттар әдісі нақты деректер мен сол түзудің (немесе гипержазықтықтың) арасындағы квадраттық айырмалардың қосындысын ең төменге дейін азайтатын бірегей түзуді (немесе гипержазықтықты) есептейді. Математикалық себептерге байланысты (сызықтық регрессияны қараңыз), бұл тәуелсіз айнымалылардың белгілі бір мәндер жиынтығын алғанда тәуелді айнымалының шартты күтілуін (немесе популяцияның орташа мәнін) бағалауға мүмкіндік береді. Регрессияның сирек қолданылатын түрлері балама орналасу параметрлерін бағалау үшін сәл өзгеше процедураларды қолданады (мысалы, квантильдік регрессия немесе қажетті шарттарды талдау) немесе сызықты емес модельдердің кең жиынтығы бойынша шартты күтілуді бағалайды (мысалы, параметрлік емес регрессия). Регрессиялық талдау негізінен екі түбегейлі түрлі мақсатта қолданылады. Біріншіден, регрессиялық талдау болжам жасау және күрделі болжамдар үшін кеңінен қолданылады, бұл жағдайда оның қолданылуы машиналық оқыту саласымен үлкен дәрежеде үйлеседі. Екіншіден, кейбір жағдайларда регрессиялық талдау тәуелсіз және тәуелді айнымалылар арасындағы себеп-салдарлық байланысты анықтау үшін қолданылуы мүмкін. Маңыздысы, регрессияның өзі тек берілген деректер жиынтығындағы тәуелді айнымалы мен тәуелсіз айнымалылардың жиынтығы арасындағы қатынасты көрсетеді. Регрессияны болжам жасау үшін немесе себеп-салдарлық қатынастарды анықтау үшін зерттеуші жаңа жағдайда қолданыстағы қатынастардың неліктен болжамдық күші бар екенін немесе екі айнымалы арасындағы қатынастың себеп-салдарлық интерпретациясы бар екенін нақты негіздеуі керек. Соңғысы, әсіресе зерттеушілер байқау деректерін пайдалана отырып себеп-салдарлық қатынастарды бағалауды жоспарлағанда маңызды.

Тарих

Регрессияның ең ерте түрі – ең кіші квадраттар әдісі, оны 1805 жылы Лежандр, ал 1809 жылы Гаусс жариялады. Лежандр мен Гаусс екеуі де бұл әдісті астрономиялық байқаулар негізінде Күн төңірегіндегі денелердің орбиталарын анықтау мәселесіне қолданды (көбінесе кометалар, бірақ кейіннен жаңадан ашылған кіші планеталар да). Гаусс 1821 жылы ең кіші квадраттар теориясын одан әрі дамытып, оның ішінде Гаусс-Марков теоремасының бір нұсқасын жариялады. "Регрессия" терминін 19 ғасырда Фрэнсис Гальтон биологиялық құбылысты сипаттау үшін қолданды. Бұл құбылыс – ұзын бойлы ата-аналардың ұрпақтарының бойы қалыпты орташа деңгейге қарай төмендеуге бейім (бұл құбылыс орташа деңгейге қарай регрессия деп те аталады). Гальтон үшін регрессия тек осы биологиялық мағынаға ие болды, бірақ оның еңбегін кейіннен Удни Юл мен Карл Пирсон статистикалық контекстке кеңейтті. Юл мен Пирсонның жұмысында жауапты және түсіндірме айнымалылардың бірлескен таралуы Гаусс таралуы деп есептелді. Р.А. Фишер 1922 және 1925 жылдарғы еңбектерінде бұл болжамды әлсіретті. Фишер жауапты айнымалының шартты таралуы Гаусс екенін болжады, бірақ бірлескен таралу міндетті түрде Гаусс болуы керек емес. Осы тұрғыдан алғанда, Фишердің болжамы Гаустың 1821 жылғы тұжырымына жақын. 1950-1960 жылдары экономистер регрессияларды есептеу үшін электромеханикалық есептеу машиналарын пайдаланды. 1970 жылға дейін бір регрессияның нәтижесін алуға кейде 24 сағатқа дейін уақыт кетіп жататын. Регрессия әдістері әлі де белсенді зерттеу саласы болып табылады. Соңғы онжылдықтарда берік регрессия, уақыт қатарлары мен өсу қисықтары сияқты өзара байланысты жауаптарды қамтитын регрессия, болжаушы (тәуелсіз) немесе жауапты айнымалылар қисықтар, кескіндер, графиктер немесе басқа да күрделі деректер объектілері болатын регрессия, әртүрлі жоғалған деректерді ескеретін регрессия әдістері, параметрлік емес регрессия, регрессия үшін Байес әдістері, болжаушы айнымалылардың қателікпен өлшенетін регрессиясы, бақылаулар санынан көп болжаушы айнымалылар болатын регрессия және регрессия арқылы себептік байланысты анықтау үшін жаңа әдістер әзірленді.

Диагностика

Регрессиялық модель құрылғаннан кейін, модельдің дұрыс сәйкестігін және бағаланған параметрлердің статистикалық маңыздылығын растау қажет болуы мүмкін. Дұрыс сәйкестілікті тексеру үшін жиі қолданылатын әдістерге R-квадрат, қалдықтардың үлгісін талдау және гипотезаны тексеру кіреді. Статистикалық маңыздылықты жалпы сәйкестікті F-тестімен, содан кейін жеке параметрлерді t-тестімен тексеруге болады. Бұл диагностикалық тесттердің интерпретациясы модельдің негізгі қағидаларына тікелей байланысты. Қалдықтарды қарастыру модельді жарамсыз деп тануға мүмкіндік берсе де, модельдің негізгі қағидалары бұзылған жағдайда t-тестінің немесе F-тестінің нәтижелерін түсіндіру кейде қиынға соғуы мүмкін. Мысалы, егер қателік мүшесі қалыпты үлестірімге ие болмаса, кішкентай үлгілерде бағаланған параметрлер қалыпты үлестірімді ұстанбайды және қорытынды жасауды қиындатады. Дегенмен, салыстырмалы түрде үлгілер көп болған жағдайда, орталық шекті теорема қолданылып, гипотезаны тексеру асимптотикалық жуықтамаларды пайдалану арқылы жалғасуы мүмкін.

Шектелген тәуелді айнымалылар

Шектелген тәуелді айнымалылар, яғни категориялық айнымалылар немесе белгілі бір диапазонға ғана шектелген айнымалылар, эконометрияда жиі кездеседі. Жауап айнымалысы үздіксіз болмауы мүмкін ("нақты сандардың белгілі бір кіші жиынында" болуы мүмкін). Егер талдау екілік (нөл немесе бір) айнымалылар үшін ең кіші квадраттар әдісімен жүргізілсе, бұл модель сызықтық ықтималдық моделі деп аталады. Екілік тәуелді айнымалылар үшін сызықтық емес модельдерге пробит және логит модельдері жатады. Көптүрлі пробит моделі – бірнеше екілік тәуелді айнымалылар мен кейбір тәуелсіз айнымалылар арасындағы байланысты бағалаудың стандартты әдісі. Екіден астам мәні бар категориялық айнымалылар үшін мультиномиалдық логит моделі қолданылады. Екіден астам мәні бар реттік айнымалылар үшін реттік логит және реттік пробит модельдері бар. Тәуелді айнымалы тек кейде ғана байқалатын жағдайда цензураланған регрессиялық модельдер, ал үлгі қызығушылық тудыратын популяциядан кездейсоқ таңдалмаған жағдайда Хекман түзетуіне ұқсас модельдер қолданылуы мүмкін. Мұндай процедураларға балама ретінде категориялық айнымалылар арасындағы полихоралық (немесе полисериалды) корреляцияға негізделген сызықтық регрессия қолданылады. Бұл процедуралар популяциядағы айнымалылардың таралуы туралы жасалған болжамдарда өзгешеліктерге ие. Егер айнымалы оң мәндерге ие болып, төмен мәндерде басталып, оқиғаның қайталануын көрсететін болса, онда Пуассон регрессиясы немесе теріс биномдық модель сияқты санау модельдерін қолдануға болады.

Сызықтық емес регрессия

Модель функциясы параметрлер бойынша сызықтық емес болған жағдайда, квадраттар қосындысын итеративтік тәсілмен ең аз мәнге дейін келтіру қажет. Бұл көптеген қиындықтарға әкеледі, олар сызықтық және сызықтық емес ең кіші квадраттар арасындағы айырмашылықтарда сипатталған.

Болжам (интерполяция және экстраполяция)

Регрессиялық модельдер X айнымалыларының белгілі мәндері ескеріле отырып, Y айнымалысының мәнін болжайды. Модельді сәйкестендіру үшін қолданылатын деректер жиынтығындағы мәндер диапазонындағы болжау бейресми түрде интерполяция деп аталады. Деректердің осы диапазонынан тыс жасалатын болжау экстраполяция деп аталады. Экстраполяция жасау регрессиялық болжамдарға өте тәуелді. Экстраполяция деректерден қаншалықты алыс кетсе, модельдің болжамдар мен үлгілік деректер немесе нақты мәндер арасындағы айырмашылықтарға байланысты сәтсіздікке ұшырау ықтималдығы соншалықты артады. Нүктелік болжаумен бірге белгісіздікті көрсететін болжау аралығы да болуы мүмкін. Мұндай аралықтар тәуелсіз айнымалының мәндері байқалған деректермен қамтылған диапазоннан тыс жылжыған сайын жылдам кеңейе түседі. Осы және басқа да себептерге байланысты, кейбір мамандар экстраполяция жасаудың ақылға қонымсыз екенін айтады. Дегенмен, бұл модельдеу қателерінің барлық түрлерін қамтымайды: әсіресе, Y мен X арасындағы қатынасқа қатысты белгілі бір форманы қабылдау. Дұрыс жүргізілген регрессиялық талдау, қабылданған форманың байқалған деректермен қаншалықты сәйкес келетінін бағалауды қамтиды, бірақ ол тек қолда бар тәуелсіз айнымалылардың мәндерінің диапазонында ғана мүмкін. Бұл, кез келген экстраполяция регрессиялық қатынастың құрылымдық формасы туралы жасалған болжамдарға ерекше тәуелді екенін білдіреді. Егер тәуелді айнымалының белгілі бір мәндер диапазонынан тыс шығуы мүмкін емес екені белгілі болса, онда оны модельді таңдау кезінде пайдалануға болады, тіпті байқалған деректер жиынтығында мұндай шекараларға жақын мәндер болмаса да. Экстраполяцияны ескерген кезде регрессия үшін тиісті функционалдық форманы таңдаудың маңыздылығы зор. Міндетті түрде, бұл сәйкес модельден туындаған кез келген экстраполяцияның «нақты» (немесе белгілі мәліметтерге сәйкес) болуын қамтамасыз ете алады.

Қуат пен үлгі өлшемін есептеу

Байқаулар санын модельдегі тәуелсіз айнымалылар санына қатысты жалпыға келісілген әдістер жоқ. Гуд пен Хардин ұсынған әдістердің бірі – , мұнда – үлгінің көлемі, – тәуелсіз айнымалылардың саны, ал – модельде тек бір тәуелсіз айнымалы болғанда қажетті дәлдікке жету үшін қажетті байқаулар саны. Мысалы, зерттеуші 1000 науқасты қамтитын деректер жиынтығын қолданып сызықтық регрессия моделін құрастырады. Егер зерттеуші тура сызықты дәл анықтау үшін бес байқау қажет деп шешсе, онда модель қолдай алатын тәуелсіз айнымалылардың максималды саны 4-ке тең, себебі .

Бағдарламалық жасақтама

Барлық негізгі статистикалық бағдарламалық жасақтамалар ең кіші квадраттардың регрессиялық талдауын және одан шығаруды жүзеге асырады. Ең қарапайым сызықтық регрессия және ең кіші квадраттарды қолдана отырып, көптік регрессияны кейбір электрондық кестелік бағдарламалар мен калькуляторларда жасауға болады. Көптеген статистикалық бағдарламалық жасақтамалар түрлі параметрлік емес және берік регрессия түрлерін орындай алады, бірақ бұл әдістерге стандарттау деңгейі төмен. Әртүрлі бағдарламалық жасақтамалар әртүрлі әдістерді іске асырады, және бірдей атаумен белгіленген әдіс әртүрлі бағдарламалық жасақтамаларда әртүрліше іске асырылуы мүмкін. Зерттеу талдауы және нейробейнелеу сияқты салаларда қолдану үшін арнайы регрессиялық бағдарламалық қамтамасыз ету әзірленген.