Was bedeutet es, eine Variable gegen eine andere zu regressieren?

Wenn wir sagen, um gegen zu regressieren , meinen wir dann, dass die unabhängige Variable und Y die abhängige Variable ist? dh . $Y$ $X$ $X$ $Y =aX + b$

regression terminology

— Sieger
quelle

Es hängt leider von der Person ab, die spricht. Ich denke, "Ich habe Y auf X zurückgebildet" bedeutet häufiger, dass Y die Variable auf der linken Seite ist, aber einige Leute meinen das Gegenteil.

— Bill

Fast immer, ja ... aber du meinst wahrscheinlich E (Y) = aX + b, sonst brauchst du überhaupt keine Regression (denn wenn du wirklich die Gleichheit meintest, die du gegeben hast, wäre jeder Punkt auf der Linie).

— Glen_b

> Ich persönlich finde die unabhängige / abhängige Variablensprache nicht so hilfreich. Diese Wörter bedeuten Kausalität, aber die Regression kann auch umgekehrt funktionieren (verwenden Sie Y, um X vorherzusagen). Die unabhängige / abhängige Variablensprache gibt lediglich an, wie eins vom anderen abhängt. Im Allgemeinen ist es sinnvoller, Korrelation als Regression zu verwenden, wenn kein kausaler Zusammenhang besteht. Wenn eine Sache die andere nicht verursacht, hat es wenig Sinn, die andere Sache vorherzusagen (zumindest aus wissenschaftlicher Sicht nicht) und die Beziehung einfach

Der wesentliche Unterschied zwischen Korrelation und Regression ist nicht groß. sicherlich nichts mit Kausalität zu tun.

— gung - Wiedereinsetzung von Monica

Dies ist nur ein Teil der Geschichte. Ursache und Vorhersage gehen auch in der Wissenschaft nicht Hand in Hand. Beispielsweise widmet sich ein großer Teil der Umweltwissenschaften der Nutzung von Effekten, um Ursachen vorherzusagen oder daraus zu schließen, z. B. vergangene Temperaturen von Proxys, die von der Temperatur beeinflusst werden. Manchmal ist die gegenseitige Vorhersagbarkeit zweier Variablen unabhängig von ihrer Ursache von Interesse, z. B. mit unterschiedlichen Maßen der "gleichen" Eigenschaft. Selbst wenn zwei Variablen auf der gleichen Basis stehen, kann es lineare Anpassungen geben, die nicht von der Unterscheidung verschiedener Rollen für

und

(reduzierte Hauptachse usw.) abhängen

y

$y$

x

$x$

— Nick Cox,

Es bedeutet typischerweise, eine Oberfläche zu finden, die durch bekanntes X parametrisiert ist, so dass Y typischerweise nahe an dieser Oberfläche liegt. Dies gibt Ihnen ein Rezept, wie Sie ein unbekanntes Y finden können, wenn Sie X kennen.

Als Beispiel sind die Daten X = 1, ..., 100. Der Wert von Y ist auf der Y-Achse aufgetragen. Die rote Linie ist die lineare Regressionsfläche.

Bildbeschreibung hier eingeben

Persönlich finde ich die unabhängige / abhängige variable Sprache nicht so hilfreich. Diese Wörter bedeuten Kausalität, aber die Regression kann auch umgekehrt funktionieren (verwenden Sie Y, um X vorherzusagen).

— Vermutungen
quelle

$Y = a+bX$

bias=lm(TBV~GBV)

— Gopal Gowane
quelle