Les avantages et inconvénients d'un modèle de régression multiple

Niveau de familiarité

• La régression multiple est une des techniques statistiques les plus couramment utilisés, et beaucoup de gens sont familiers avec elle, au moins dans ses grandes lignes. Ce sera particulièrement vrai des personnes instruites dans le Sciences-social, comportemental ou physique pour ce public, la familiarité est un avantage. D'autre part, si votre public est la population générale, alors beaucoup de gens seront familiers avec regression- multiples pour ce public, la familiarité est un inconvénient, et vous voudrez peut-être utiliser une statistique simple ou compter entièrement sur les graphiques.

Hypothèses

• 
  
  
  
  

  La régression multiple fait quatre hypothèses, et ceux-ci doivent être vérifiés. Les hypothèses sont sur les erreurs de la modélisation des erreurs sont la différence entre la valeur prédite de la variable dépendante et la valeur réelle de la variable dépendante. Régression multiple suppose que les erreurs du modèle sont normalement distributed- que les erreurs ont variances constante que la moyenne des erreurs est nulle et que les erreurs sont indépendants.

Souplesse

• La régression multiple est une méthode très flexible. Les variables indépendantes peuvent être numériques ou catégorielles, et les interactions entre les variables peuvent être des termes Incorporated- et polynômes peuvent également être inclus. Par exemple, en examinant la relation entre le poids et la taille, l'âge et le sexe, vous pouvez inclure la taille au carré et le produit de la hauteur et le sexe.
  Ensuite, la relation entre la taille et le poids serait différent pour les hommes et les femmes, et la différence prédite de poids entre une personne de 5 pieds de haut et une personne de 5 pieds-1 ne soit pas la même que celle entre un 6 pieds de haut personne et une personne de 6 pieds 1.

L'utilisation de plusieurs variables

• La régression multiple utilise plusieurs variables indépendantes, avec chacun contrôlant pour les autres. Par exemple, dans le modèle de poids liée à la taille, l'âge et le sexe, le modèle estime l'effet de commande de hauteur pour le sexe. Le paramètre en hauteur répond à la question "Quelle est la relation entre la taille et le poids, étant donné qu'une personne est mâle ou femelle et d'un certain âge?"