Regressioanalyysi - kaavat, selitykset, esimerkit ja määritelmät

Regressioanalyysi on joukko tilastollisia menetelmiä riippuvaisen muuttujan ja yhden tai useamman itsenäisen muuttujan välisten suhteiden arvioimiseksi. Itsenäinen muuttuja Riippumaton muuttuja on syöte, oletus tai ohjain, jota muutetaan sen vaikutuksen arvioimiseksi riippuvaan muuttujaan. (lopputulos). . Sitä voidaan käyttää muuttujien välisen suhteen vahvuuden arviointiin ja niiden välisen tulevan suhteen mallintamiseen.

Taantumisanalyysi

Regressioanalyysi sisältää useita muunnelmia, kuten lineaarisen, moninkertaisen lineaarisen ja epälineaarisen. Yleisimmät mallit ovat yksinkertaisia ​​lineaarisia ja useita lineaarisia. Epälineaarista regressioanalyysiä käytetään yleisesti monimutkaisemmissa tietojoukoissa, joissa riippuvat ja riippumattomat muuttujat osoittavat epälineaarisen suhteen.

Regressioanalyysi tarjoaa lukuisia sovelluksia eri tieteenaloilla, mukaan lukien rahoitus.

Regressioanalyysi - lineaarisen mallin oletukset

Lineaarinen regressioanalyysi perustuu kuuteen perusoletukseen:

  1. Riippuvat ja riippumattomat muuttujat osoittavat lineaarisen suhteen kaltevuuden ja leikkauksen välillä.
  2. Riippumaton muuttuja ei ole satunnainen.
  3. Jäännösarvon (virheen) arvo on nolla.
  4. Jäännöksen (virheen) arvo on vakio kaikissa havainnoissa.
  5. Jäännöksen (virheen) arvoa ei korreloida kaikkien havaintojen välillä.
  6. Jäännös (virhe) arvot seuraavat normaalijakaumaa.

Regressioanalyysi - yksinkertainen lineaarinen regressio

Yksinkertainen lineaarinen regressio on malli, joka arvioi riippuvan muuttujan ja riippumattoman muuttujan välisen suhteen. Yksinkertainen lineaarinen malli ilmaistaan ​​seuraavalla yhtälöllä:

Y = a + bX + ϵ

Missä:

  • Y - Riippuva muuttuja
  • X - Itsenäinen (selittävä) muuttuja
  • a - Kuuntele
  • b - Kaltevuus
  • ϵ - jäännös (virhe)

Regressioanalyysi - moninkertainen lineaarinen regressio

Moninkertainen lineaarinen regressioanalyysi on olennaisesti samanlainen kuin yksinkertainen lineaarinen malli, paitsi että mallissa käytetään useita itsenäisiä muuttujia. Usean lineaarisen regression matemaattinen esitys on:

Y = a + bX1 + cX2 + dX3 + ϵ

Missä:

  • Y - Riippuva muuttuja
  • X1, X2, X3 - Riippumattomat (selittävät) muuttujat
  • a - Kuuntele
  • b, c, d - Rinteet
  • ϵ - jäännös (virhe)

Moninkertainen lineaarinen regressio noudattaa samoja olosuhteita kuin yksinkertainen lineaarinen malli. Koska monessa lineaarisessa analyysissä on kuitenkin useita riippumattomia muuttujia, mallilla on toinen pakollinen ehto:

  • Ei-kolineaarisuus: Riippumattomien muuttujien tulisi näyttää minimaalinen korrelaatio toistensa kanssa. Jos riippumattomat muuttujat korreloivat voimakkaasti toistensa kanssa, on vaikea arvioida riippuvien ja riippumattomien muuttujien todellisia suhteita.

Regressioanalyysi rahoituksessa

Regressioanalyysillä on useita sovelluksia rahoituksessa. Esimerkiksi tilastomenetelmä on olennainen pääomavarojen hinnoittelumallille (CAPM) pääomavarojen hinnoittelumalli (CAPM). Pääomavarojen hinnoittelumalli (CAPM) on malli, joka kuvaa odotetun tuoton ja arvopapeririskin välistä suhdetta. CAPM-kaava osoittaa, että arvopaperin tuotto on yhtä suuri kuin riskitön tuotto plus riskipreemia kyseisen arvopaperin beetan perusteella. Pohjimmiltaan CAPM-yhtälö on malli, joka määrittää omaisuuden odotetun tuoton ja markkinariskipreemion välisen suhteen.

Analyysiä käytetään myös arvopapereiden tuoton ennustamiseen eri tekijöiden perusteella tai yrityksen suorituskyvyn ennustamiseen. Lisätietoja ennustemenetelmistä rahoituksen budjetointi- ja ennustekurssilla!

1. Beeta ja CAPM

Talouspolitiikassa regressioanalyysiä käytetään beeta-beetan laskemiseen Sijoitusarvopaperin (eli osakkeen) beeta (β) mittaa sen tuottojen volatiliteettia suhteessa koko markkinoihin. Sitä käytetään riskin mittarina ja se on olennainen osa pääomavarojen hinnoittelumallia (CAPM). Yrityksellä, jolla on korkeampi beeta, on suurempi riski ja myös suurempi odotettu tuotto. (tuoton volatiliteetti suhteessa kokonaismarkkinoihin) osakkeelle. Se voidaan tehdä Excelissä Slope-toiminnolla SLOPE-toiminto SLOPE-toiminto on luokiteltu Excel Statistics -toimintoihin. Se palauttaa lineaarisen regressioviivan kaltevuuden tunnettujen_y: n ja tunnettu_x: n datapisteiden läpi. Taloudellisessa analyysissä SLOPE voi olla hyödyllinen laskettaessa osakkeen beetaa. Kaava = LOPE (tunnetut_v, tunnetut_x) Funktio käyttää.

Beeta-laskimen näyttökuva

Lataa Finanssin ilmainen beeta-laskin Beta-laskin Tämän beeta-laskimen avulla voit mitata yksittäisen osakkeen tuoton volatiliteettia koko markkinoihin nähden. Sijoitusarvopaperin (eli osakkeen) beeta (β) mittaa sen tuottojen volatiliteettia suhteessa koko markkinoihin. Sitä käytetään riskimittana ja se on olennainen osa Cap!

2. Tulojen ja kulujen ennustaminen

Ennustettaessa tilinpäätöstä Taloudellinen ennuste Taloudellinen ennuste on prosessi, jolla arvioidaan tai ennustetaan liiketoiminnan suoriutuminen tulevaisuudessa. Tässä oppaassa, miten rakennetaan taloudellinen ennuste yritykselle, voi olla hyödyllistä tehdä moninkertainen regressioanalyysi selvittääkseen, miten tietyissä yrityksen oletuksissa tai ajureissa tapahtuvat muutokset vaikuttavat tuloihin tai kuluihin tulevaisuudessa. Esimerkiksi yrityksen palveluksessa olevien myyjien lukumäärän, heidän käyttämiensä myymälöiden lukumäärän ja yrityksen tuottamien tulojen välillä voi olla erittäin korkea korrelaatio.

Yllä oleva esimerkki näyttää, kuinka ennustefunktiota käytetään ENNUSTE-funktiolla. Ennustefunktio on luokiteltu Excel-tilastofunktioiden alle. Se laskee tai ennustaa meille tulevan arvon käyttämällä olemassa olevia arvoja. Taloudellisessa mallinnuksessa ennustefunktio voi olla hyödyllinen laskettaessa tehdyn ennusteen tilastollista arvoa. Jos esimerkiksi tiedämme aikaisemmat tulot ja laskemme Excelissä yrityksen tulot sen näyttämien mainosten määrän perusteella.

Lisätietoja ennustemenetelmistä rahoituksen budjetointi- ja ennustekurssilla!

Lisäresurssit

Toivomme, että olet lukenut Finanssin selityksen regressioanalyysistä. Finance tarjoaa Financial Modeling & Valuation Analyst (FMVA) ™ FMVA® -sertifikaatin. Liity 350 600+ opiskelijaan, jotka työskentelevät yrityksissä, kuten Amazon, J.P.Morgan ja Ferrari -sertifikaattiohjelmassa, niille, jotka haluavat viedä uransa seuraavalle tasolle. Saat lisätietoja liittyvistä aiheista tutustumalla seuraaviin ilmaisiin rahoitusresursseihin:

  • Kustannuskäyttäytymisen analyysi Kustannuskäyttäytymisen analyysi Kustannuskäyttäytymisen analyysi tarkoittaa johdon yritystä ymmärtää, kuinka toimintakustannukset muuttuvat suhteessa organisaation toimintatason muutokseen. Nämä kustannukset voivat sisältää välittömät materiaalit, suoran työn ja yleiskustannukset, jotka aiheutuvat tuotteen kehittämisestä.
  • Taloudellisen mallinnuksen taidot Taloudellisen mallinnuksen taidot Opi 10 tärkeintä taloudellisen mallinnuksen taitoa ja se, mitä tarvitaan hyvään talousmallinnukseen Excelissä. Tärkeimmät taidot: kirjanpito
  • Ennustamismenetelmät Ennustamismenetelmät Suosituimmat ennustamismenetelmät. Tässä artikkelissa selitämme neljän tyyppisiä tulojen ennustamismenetelmiä, joita rahoitusanalyytikot käyttävät tulojen ennustamiseen.
  • Korkea-matala-menetelmä Korkea-matala-menetelmä Kustannuslaskennassa korkea-matala-menetelmä on tekniikka, jolla sekakustannukset jaetaan muuttuviin ja kiinteisiin kustannuksiin. Vaikka korkea-matala-menetelmää on helppo soveltaa, sitä käytetään harvoin, koska se voi vääristää kustannuksia johtuen siitä, että se luottaa kahteen ääriarvoon tietystä tietojoukosta. Kaava korkea-matala -menetelmälle Kaava kaavalle

Uusimmat viestit

$config[zx-auto] not found$config[zx-overlay] not found