Meervoudige regressieanalyse

Wanneer meervoudige regressieanalyse gebruiken

Het doel van meervoudige regressieanalyse is het evalueren van de effecten van twee of meer onafhankelijke variabelen op een enkele afhankelijke variabele.

Regressie komt tot een vergelijking om de prestatie te voorspellen op basis van elk van de inputs.

Voorbeeld meervoudige regressieanalyse

Laten we zeggen dat we willen weten of de perceptie van de klant over de kwaliteit van shampoo (afhankelijke variabele) varieert met verschillende aspecten van de geografie en de kenmerken van de shampoo: Schuim, Geur, Kleur of Residu (onafhankelijke variabelen).

Meervoudige regressieanalyse uitvoeren met behulp van QI Macro’s voor Excel

1. Selecteer twee tot zestien kolommen met gegevens met de afhankelijke variabele in de eerste (of laatste) kolom:



Deze voorbeeldgegevens zijn te vinden in QI Macros Test Data > Matrix Plot.xlsx > Shampoo Data

2. QI Macros zal je vragen in welke kolom de afhankelijke variabele (Y waarde) staat. In dit voorbeeld staat hij in de eerste kolom:



3. QI Macros voert de berekeningen uit en geeft de resultaten weer:

Evalueer de R Square waarde (0.800)

Analyse: Als R Square groter of gelijk is aan 0,80, zoals in dit geval, is er een goede fit met de gegevens.

Evalueer de p-waarde

De nulhypothese is dat er geen correlatie is. (H0 = geen correlatie.) Als we naar de p-waarden voor elke onafhankelijke variabele kijken, zijn Regio, Schuim en Residu kleiner dan alpha (0,05), zodat we de nulhypothese verwerpen en kunnen zeggen dat deze variabelen de kwaliteit beïnvloeden. De p-waarden voor geur en kleur zijn groter dan 0,05, dus kunnen we de nulhypothese dat er geen verband is niet verwerpen en kunnen we niet zeggen dat ze een directe invloed hebben op de kwaliteit.

Gebruik de vergelijking voor voorspelling en schatting

Met behulp van onderstaande vergelijking zou je de perceptie van de shampookwaliteit kunnen voorspellen op basis van de onafhankelijke variabelen. Ook hier lijken Regio, Schuim en Residu de grootste invloed te hebben op de kwaliteitsperceptie.

y = 90.192 -3.859*Regio +1.817*Schuim +1.035*Geur +0.233*Kleur -4.001*Residue

Residuals Output, Probability Output en Charts

Naast de bovenstaande Summary Output berekent QI Macros ook residuals en waarschijnlijkheidsgegevens en tekent verschillende grafieken voor u.

Merk op dat de rechte lijnen op uw eerste grafiek (Regio) de Bovenste en Onderste Voorspellingsintervallen voorstellen, terwijl de meer gebogen lijnen de bovenste en onderste betrouwbaarheidsintervallen zijn

Betrouwbaarheidsintervallen geven een beeld van de onzekerheid bij het schatten van het gemiddelde, terwijl voorspellingsintervallen rekening houden met de variatie in de Y-waarden rond het gemiddelde.

De 95%- en 99%-betrouwbaarheidsniveaus geven aan wanneer uw alfa-waarde op .05 (95%) of .01 (99%) is gesteld. Dit geeft u informatie over hoe het betrouwbaarheidsniveau uw resultaten kan beïnvloeden, afhankelijk van waar alpha is ingesteld.

Waarom kiest u voor QI Macros Statistische Software voor Excel?