a:

Ve statistice modely lineární regrese vztahu mezi závislou proměnnou a jednou nebo více vysvětlujícími proměnnými pomocí lineární funkce. Pokud mají dvě nebo více vysvětlujících proměnných lineární vztah k závislé proměnné, regrese se nazývá vícenásobná lineární regrese. Vícenásobná regrese je na druhé straně širší třídou regresí, která zahrnuje lineární a nelineární regrese s více vysvětlujícími proměnnými.

Regresní analýza je běžný způsob, jak zjistit vztah mezi závislými a vysvětlujícími proměnnými. Tento statistický vztah však neznamená, že vysvětlující proměnné způsobují závislou proměnnou; spíše mluví o nějaké významné asociaci v datech. Lineární regrese se pokouší nakreslit čáru, která je nejblíže k datům, tím, že najde sklon a zachycení, které definují linku a minimalizují regresní chyby. Nicméně mnoho vztahů v datech nesleduje přímku, takže statistici používají místo toho nelineární regresi.

Je výjimečné, že závislá proměnná je vysvětlena pouze jednou proměnnou. V tomto případě analytik používá vícenásobnou regresi, která se pokouší vysvětlit závislou proměnnou pomocí více než jedné nezávislé proměnné. Více regresí může být lineární a nelineární.

Zvažte analytika, který si přeje vytvořit lineární vztah mezi každodenní změnou cen akcií společnosti a jinými vysvětlujícími proměnnými, jako je denní změna objemu obchodování a denní změna tržních výnosů. Pokud provede regresi s každodenní změnou cen akcií společnosti jako závislou proměnnou a denní změnou objemu obchodování jako nezávislé proměnné, jedná se o příklad jednoduché lineární regrese s jednou vysvětlující proměnnou. Pokud analytik přidá každodenní změnu tržních výnosů do regrese, byla by to vícenásobná lineární regrese.