Linear Regression Forecast (LRF)
Dữ đoán hồi quy tuyến tính và ứng dụng của nó
Nội dung bài viết
- LRF là gì?
- Tại sao lại phải dùng LRF?
- Dùng LRF như thế nào?
- Làm một ví dụ với Excel
- Trích dẫn nguồn
LRF là gì?
LRF là a công cụ thông kê giúp dự đoán các giá trị tương lại từ các giá trị trong quá khứ. Nó được sử dụng phổ biến giống như mộ cách kiểm định và xác định xu hướng cơ bản và khí giá giao động quá mức. Một đường xu hướng LRF sử dụng bình phương nhỏ nhất để vẽ một đường thẳng qua giá để giảm thiểu khoảng cách giữa giá và đường xu hướng kết quả.
Khi nào dùng LRF?
Khi nào cần kiểm tra mối quan hệ giữa biến liên tục với biến rời rạc (Chỉ mục, thời gian...). Có 2 dạng LRF là đơn biến và đa biến.
Dùng LRF như thế nào?
Ta cần quan sát hệ số R^2 (hệ số xác định). Nếu hệ số nay càng lớn thì biến có quan hệ tuyến tính với nhau. Từ đó, ta có thể dự đoán các giá trị tương lai dựa trên các giá trị quá khứ. Ngược lại, là các biến không có quan hệ với nhau.
Làm một ví dụ với excel:
Bước 2: Chọn dữ liệu như hình. Ta có công thức Y = Ax + b. Vậy nên:
- Ta chọn giá trị của cột B là Y,
- Và giá trị của cột C là X.
- Label: coi ô đầu tiên là tên cột.
- Confidence Level: mức độ tinh cậy, thường là 95% hoặc 99%.
- Chọn Output Range: Tôi chọn ô G2
- Ta quan tâm đến hệ số R Square, như đã nói càng lớn thì hồi quy càng có ý nghĩa.
- Tiếp đến, ta quan sát P-value đều < 0.05.
- Intercept - hệ số chặn (hệ số b)
- Coefficients (square meter): hệ số hồi quy
Comments
Post a Comment