Apa artinya melakukan regresi terhadap variabel

Ketika kita mengatakan, untuk mundur terhadap , apakah kita berarti bahwa adalah variabel independen dan Y adalah variabel dependen? yaitu . $Y$ $X$ $X$ $Y =aX + b$

regression terminology Pemenang
sumber

Tergantung pada orang yang berbicara, sayangnya. Saya pikir "Saya mundur Y pada X" lebih umum berarti Y adalah variabel sisi kiri, tetapi beberapa orang sebaliknya.

Bill

Hampir selalu, ya ... tapi Anda mungkin berarti E (Y) = aX + b, jika tidak, Anda tidak perlu regresi sama sekali (karena jika Anda benar-benar berarti kesetaraan yang Anda berikan, setiap poin akan ada di garis).

Glen_b -Reinstate Monica

> Secara pribadi, saya tidak menemukan bahasa variabel independen / dependen yang membantu. Kata-kata itu mengandung arti kausalitas, tetapi regresi dapat bekerja sebaliknya juga (gunakan Y untuk memprediksi X). Bahasa variabel bebas / tergantung hanya menentukan bagaimana satu hal tergantung pada yang lain. Secara umum lebih masuk akal untuk menggunakan korelasi daripada regresi jika tidak ada hubungan sebab akibat. Jika satu hal tidak menyebabkan yang lain, tidak ada gunanya menggunakannya untuk memprediksi hal lain (setidaknya tidak dari sudut pandang ilmiah), dan hanya membalikkan hubungan setiap kali Anda

Tidak banyak perbedaan mendasar antara korelasi dan regresi; tentu tidak ada hubungannya dengan sebab akibat.

gung - Reinstate Monica

y

$y$

x

$x$

Jawaban:

Ini biasanya berarti menemukan parameter permukaan dengan X yang diketahui sehingga Y biasanya terletak dekat dengan permukaan itu. Ini memberi Anda resep untuk menemukan Y yang tidak diketahui saat Anda tahu X.

Sebagai contoh, datanya adalah X = 1, ..., 100. Nilai Y diplot pada sumbu Y. Garis merah adalah permukaan regresi linier.

masukkan deskripsi gambar di sini

Secara pribadi, saya tidak menemukan bahasa variabel independen / dependen yang membantu. Kata-kata itu mengandung arti kausalitas, tetapi regresi dapat bekerja sebaliknya juga (gunakan Y untuk memprediksi X).

dugaan
sumber

$Y = a+bX$

bias=lm(TBV~GBV)

Gopal Gowane
sumber