Линейната регресия е метод за количествено описание на връзката между една зависима променлива и една или повече обяснителни променливи, използвайки линейна функция. Типичният вид на прост линеен регресионен модел е: y = β0 + β1·X + ε, където β0 е свободният член (интерсепт), β1 е коефициентът на наклон (ефектът на X върху y), а ε представлява случайна грешка или остатък. Моделът дава линия на регресия, която преминава приблизително през множеството наблюдения и служи за обобщаване на тяхната зависимост.

Основни понятия

Линейната регресия използва зависима променлива и една или повече обяснителни променливи, за да се създаде права линия. Това е първият от многото подходи при регресионния анализ, тъй като модели, които зависят линейно от параметрите си, се подбират и анализират по-лесно в сравнение с нелинейните. Освен удобството при оценяване, линейната регресия често дава интерпретируеми параметри — единствено изместване или промяна на единица в X съответства на β1 единици промяна в y (при всички останали условия равни).

Типове линейни модели

  • Проста линейна регресия — съдържа една обяснителна променлива X и описва връзката y ~ β0 + β1·X.
  • Множествена линейна регресия — включва няколко променливи X1, …, Xp и моделът е y ~ β0 + β1·X1 + … + βp·Xp. Тя позволява да се оцени количествено силата на връзката между y и всяка Xj и да се идентифицират променливи, които нямат значим принос.

Оценяване: метод на обикновените най-малки квадрати (OLS)

Най-често използваният метод за напасване на линейни модели е методът на най-малките квадрати, който минимизира сумата от квадратите на вертикалните остатъци (разликите между наблюдаваните и предсказаните стойности). В резултатите се получават оценки за параметрите β, за които има добре разработена теория — например, при спазване на предпоставките оценките са несместни, ефективни и асимптотично нормални.

Предпоставки на класическия линеен модел

  • Линейност: средната стойност на y за дадени X е линейна във параметрите.
  • Независимост: наблюденията (и грешките ε) са независими едно от друго.
  • Хомоскедастичност: дисперсията на грешките е константна за всички стойности на X.
  • Нормалност (за инференция): грешките ε са приблизително нормално разпределени (не е задължително за оценките, но е полезно за тестове и доверителни интервали при малки проби).
  • Липса на идеална мултиколинеарност: обяснителните променливи не са точни линейни комбинации една на друга.

Диагностика и ключови показатели

  • R² — делът от вариацията на y, обяснен от модела; показва каква част от изменчивостта се улови, но расте при добавяне на променливи (алтернативно използвайте прецизиран R²).
  • Остатъци — проверка за моделиране на зависимостите (системни шаблони, нелинейности) чрез графики: остатъци спрямо предсказани, квантил-квантил (QQ) графики за нормалност.
  • t-тестове и p-стойности — за проверка на значимостта на отделни коефициенти.
  • F-тест — за цялостната значимост на модела.
  • Проблеми като мултиколинеарност (например високи стойности на VIF), автокорелация (Durbin–Watson тест) и хетероскедастичност (Breusch–Pagan, White тест) трябва да се диагностицират и поправят при нужда.

Регуляризация и разширения

При много променливи или когато се желае намаляване на overfitting се прилагат методи, които штрафуват големи коефициенти, като ridge регресия (гребен) и lasso. Тези техники минимизират наказана версия на функцията за загуба на най-малките квадрати и често дават по-стабилни предсказания при висока колинеарност или ограничени проби. Други разширения включват регресия със сменлива трансформация, полиномиални термини и модели с взаимодействия между променливите.

Предсказване срещу инференция

Линейната регресия се използва както за предсказване (предвиждане на бъдещи стойности на y при нови X), така и за причинно-инференциални изводи (оценка на ефекта на конкретна променлива върху y). За предсказване основният интерес е минимизиране на грешката на прогнозата; за инференция е важно да са спазени предпоставките на модела и да се контролира за конфундиращи фактори.

Практически приложения

  • Икономика: прогнозиране на разходи, приходи, търсене и анализ на въздействие на политики.
  • Маркетинг: оценка на ефекта на реклама върху продажби, моделиране на цена — обем.
  • Наука и инженерство: анализ на експериментални данни, калибриране на уреди, прогнозиране на резултати.
  • Здравеопазване: асоциации между рискови фактори и здравни изходи (когато се вземат предвид потенциалните конфундатори).

В контекста на практическите приложения често се прилагат два основни подхода:

  • Линейната регресия може да се използва за приспособяване на прогнозен модел към набор от наблюдавани стойности (данни). Това е полезно, ако целта е предвиждане, прогнозиране или намаляване. След разработването на такъв модел, ако след това се даде допълнителна стойност на X без придружаващата я стойност на y, напаснатият модел може да се използва, за да се направи прогнозна стойност на y (записана като {\displaystyle {\hat {y}}}
  • При дадена променлива y и редица променливи X1 , ..., Xp , които могат да бъдат свързани с y, може да се приложи линеен регресионен анализ, за да се определи количествено силата на връзката между y и Xj , да се оцени коя Xj изобщо няма връзка с y и да се определи кои подмножества на Xj съдържат излишна информация за y.

Ограничения и добри практики

  • Линейният модел може да бъде неадекватен при силно нелинейни зависимости — разгледайте трансформации (логаритъм, полиноми) или нелинейни модели.
  • Когато има хетероскедастичност или автокорелация, стандартните грешки и тестове могат да бъдат подвеждащи — използвайте коригирани стандартни грешки или модели, пригодени за зависимостта (например ARIMA за времеви редове).
  • Проверявайте данните за изключения (outliers) и влиятелни наблюдения (Cook’s distance) — те могат да изкривят оценките на модела.
  • При интерпретация на коефициенти в множествен модел, помнете, че те са условни на останалите променливи в модела.

Софтуер и инструменти

Линейната регресия е налична във всички широко използвани статистически и програмни среди: R (lm, glmnet), Python (statsmodels, scikit-learn), Stata, SAS, SPSS и други. Прилагайте подходяща валидация (например кръстосана валидация) при изграждане на предсказателни модели и документире добре стъпките по предпроцесинг, избор на променливи и диагностика.

В обобщение, линейната регресия е мощен и лесен за тълкуване инструмент за моделиране и предсказване, но резултатите са надеждни само ако се проверят предпоставките, се извърши адекватна диагностика и се вземат мерки при наличие на проблеми като мултиколинеарност, хетероскедастичност или нелинейности.