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 1: Từ tập dữ liệu tiến hành phân tích hồi quy. Ta kiểm tra xem có mối quan hệ giữa giá(Price in Million) và diện tích(Square Meter) không?

Data -> Data Analysis -> Regression

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

Bước 3: cùng đọc bảng kết quả nào.

• 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

Bước 4: Vẽ biểu đồ để thể hiện sự tương quan hồi quy. Ta thây đường màu đỏ phủ được 83% các trường hợp. 

Kết luận, giữa giá nhà và diện tích có mối quan hệ tuyến tính với nhau. Diện tích càng lớn giá càng cao.

Trích dẫn nguồn:

1. https://library.tradingtechnologies.com/trade/chrt-ti-linear-regression-forecast.html#:~:text=Linear%20regression%20is%20a%20statistical,and%20when%20prices%20are%20overextended.

2. Data source: https://www.kaggle.com/datasets/sveneschlbeck/hotel-prices-beginner-dataset