Care este diferența dintre corelație și regresie?

Introducere

Analiza statistică este folosită ca un instrument puternic în industria de marketing. Ajută companiile să determine prețul și vânzările unui produs. Corelația și regresia sunt cele mai vitale tehnici de analiză statistică care definesc relația calitativă și cantitativă dintre două sau mai multe variabile. Acest post va descrie în detaliu conceptele de corelare și regresie și diferențele dintre cele două.

Ce este corelația?

Termenul de corelație cuprinde două părți - co, care înseamnă a fi împreună și relație, care explică legătura dintre două variabile. Măsoară gradul de asociere dintre două variabile atunci când o variabilă se modifică.

Un exemplu clasic de corelație poate fi văzut între cerere și preț. Pe măsură ce prețul unui produs crește, cererea acestuia scade. În mod similar, dacă prețul unui produs scade, cererea acestuia crește. Această relație inversă se numește corelație negativă.

Gradul de relație dintre două sau mai multe variabile este testat prin analiza de corelație. Ne ajută să descoperim prezența sau absența unei conexiuni între variabile. În cazul în care variabilele sunt legate, putem afla gradul de asociere prin analiza corelației. Corelația ajută foarte mult în timpul cercetării de piață. Ne ajută să anticipăm performanța unei campanii și vânzarea unui produs sau serviciu pe baza unor factori precum comportamentul consumatorilor, cultura, vremea și reclamele.

Corelația este împărțită în mai multe categorii. Există în primul rând două tipuri de corelație: pozitivă și negativă. Dacă o variabilă se mișcă în aceeași direcție cu cealaltă variabilă modificată, se numește corelație pozitivă. În mod similar, dacă cealaltă variabilă se mișcă în direcția opusă variabilei care s-a schimbat, se numește corelație negativă.

Celelalte tipuri de corelații sunt simple, parțiale și multiple. Când corelația determină gradul de relație dintre două variabile, se numește corelație simplă. De exemplu, relația dintre notele unui student și orele urmate în timpul unei sesiuni va fi tratată ca o simplă corelație. În corelație parțială se ia în considerare relația dintre trei sau patru variabile. Cu toate acestea, două dintre aceste variabile sunt menținute constante și se ia în considerare efectul celorlalte două.

Dacă luăm exemplul de mai sus, notele unui elev sunt asociate cu prezența și metoda de predare. Celelalte două variabile, cum ar fi utilizarea tehnologiei pentru predarea studenților și învățarea în lumea reală, sunt constante. Ultimul sunt corelațiile multiple care determină relația dintre trei sau mai multe variabile. Diferența dintre corelațiile parțiale și multiple este că corelația parțială determină relația doar între două variabile, iar variabilele rămase sunt tratate ca constante. Pe de altă parte, diverse corelații ajută la găsirea gradului și direcției unei relații între trei sau patru variabile simultan.

Ultima categorie este o corelație liniară și neliniară. Ele pot fi descrise ca raportul de schimbare între două variabile. Într-o corelație liniară, există o relație directă între două variabile. De exemplu, există o relație directă între materia primă disponibilă și produsele finite produse. Dacă materia primă este de 5 kg, producția de produse finite este de 1 kg.

În mod similar, dacă materia primă disponibilă este de 10 kg, producția de produse finite va fi de 2 kg și așa mai departe. În corelația neliniară, nu există un raport constant între două variabile. De exemplu, dacă variabila A se modifică de x ori într-un mediu, variabila B se va schimba de două ori într-un mediu diferit. Din nou, dacă variabila A se schimbă de x ori, B se va schimba de 5 ori.

Există două metode de a afla corelația dintre două sau mai multe variabile. Prima este metoda grafică care utilizează diagrame de dispersie și grafice pentru a determina corelația. Într-o diagramă de împrăștiere, variabilele sunt menționate pe axa X și Y a unui grafic, iar valorile sunt reprezentate pe grafic sub formă de puncte. Dacă punctele se deplasează în sus într-o linie dreaptă, există o corelație pozitivă perfectă. Cu toate acestea, dacă punctele se deplasează în jos într-o linie dreaptă, există o corelație negativă perfectă.

Cealaltă metodă de determinare a corelației dintre variabile este metoda algebrică care utilizează coeficienți de corelație.

Ce este regresia?

În timp ce corelația determină dacă există o relație între două variabile, regresia ne spune despre efectul pe care două variabile îl au una asupra celeilalte. Ne spune cum o variabilă este dependentă de o altă variabilă independentă. În regresie, există două variabile: una independentă și una dependentă. Variabila independentă acționează ca bază sau standard pentru prezicerea unei alte variabile numită variabilă dependentă.

De exemplu, cantitatea de precipitații într-un anumit an afectează creșterea culturilor din țară. În acest caz, regresia ne va ajuta să stabilim măsura în care cantitatea de precipitații va afecta dezvoltarea culturilor. Aici, cantitatea de precipitații este variabila independentă, în timp ce creșterea culturilor este variabila dependentă. Un alt exemplu de regresie poate fi valoarea impozitului perceput asupra produsului și prețul acelei mărfuri. Din nou, valoarea impozitului impus este o variabilă independentă, iar prețul mărfii este variabila dependentă.

Amploarea relației dintre două variabile se află prin analiza de regresie. Se realizează cu ajutorul dreptelor și ecuațiilor algebrice.

Care este diferența dintre corelație și regresie?

În primul rând, corelația și regresia ar putea părea a fi aceleași concepte. Cu toate acestea, există mai multe diferențe între cele două care au fost discutate mai jos.

• Corelația ne ajută să determinăm gradul de relație dintre două variabile, indiferent dacă acestea sunt sau nu legate între ele. Pe de altă parte, regresia determină măsura în care două variabile sunt legate.
• În timp ce corelația este o măsură relativă între două sau mai multe variabile, regresia este o măsură absolută între variabile.
• Nu putem trata corelația ca pe un dispozitiv de prognoză. Pe de altă parte, regresia ajută la prezicerea rezultatelor posibile. Prin regresie, putem prognoza valoarea variabilei dependente dacă valoarea variabilei independente este disponibilă.
• Coeficientul de corelație este independent atât de origine cât și de scară într-un grafic, în timp ce coeficientul de regresie este independent doar de schimbarea originii și nu de scară.
• În corelație, variabilele nu au unități de măsură. Totuși, în regresie, trebuie luate în considerare unitățile de măsură ale variabilelor.
• Valoarea unei corelații este cuprinsă între -1 și +1. Cu toate acestea, valoarea regresiei ar trebui determinată folosind ecuații algebrice. Valoarea corelației poate fi zero, dar regresia nu poate fi nulă.
• Corelația este utilizată în momentul explicării unei relații directe între două sau mai multe variabile. Pe de altă parte, regresia este folosită pentru a prezice rezultate cu ajutorul răspunsurilor numerice.
• În corelație, nu avem nevoie de ecuații matematice, în timp ce o ecuație algebrică este obligatorie în regresie.
• În corelație, puteți modifica valorile lui X și Y pe un grafic, deoarece ambele variabile sunt independente. Cu toate acestea, în regresie, valorile X și Y nu pot fi interschimbate deoarece una dintre ele este o variabilă dependentă.

De ce să folosiți corelația și regresia în afaceri?

Chiar dacă corelația și regresia ar putea părea a fi concepte teoretice, ele sunt valoroase pentru afaceri. Iată câteva moduri în care corelația și regresia sunt benefice pentru companii:

• Cea mai importantă importanță în utilizarea analizei de regresie este de a prognoza răspunsul consumatorului. Regresia permite companiilor să prezică posibile oportunități și riscuri potențiale de pe piață și ajută la analiza cererii de pe piață și la calcularea posibilelor achiziții de produse. Acest lucru permite, de asemenea, companiilor să își planifice bugetul și să prognozeze veniturile.
• Regresia ajută, de asemenea, la îmbunătățirea eficienței operațiunilor sau serviciilor. Companiile pot afla factorii care împiedică productivitatea și eficiența.
• Deoarece regresia se bazează pe cauză și efect, ea permite companiilor să ia decizii informate. De exemplu, o companie ar putea lua în considerare creșterea producției de anumite bunuri, dar are materii prime limitate. În acest caz, compania ar putea să nu genereze venituri dacă un alt produs necesită și aceeași materie primă. Astfel, compania trebuie să-și dea seama ce produs ar trebui să producă pentru a-și maximiza veniturile.
• Corelația ajută în cercetarea de piață, deoarece permite companiilor să determine dacă două variabile sunt legate. Acest lucru face mai ușor pentru companii să ia în considerare doar acei factori care afectează direct vânzările sau veniturile.

Concluzie

Corelația și regresia joacă, de asemenea, un rol crucial în învățarea automată, învățarea profundă și AI pentru a prezice valori continue într-un set de date mare. Dacă sunteți interesat de ML sau de deep learning și doriți să vă construiți o carieră în același domeniu, vă va fi benefic să cunoașteți în profunzime corelația și regresia. Programul de certificat avansat al upGrad în învățare automată și învățare profundă vă va ajuta să înțelegeți în profunzime conceptul de regresie și utilizarea sa practică în învățarea automată. Peste 40.000 de oameni din peste 85 de țări s-au înscris la diferite programe la upGrad. Împreună cu învățarea de la egal la egal, upGrad oferă și sprijin în carieră la 360 de grade tuturor studenților săi.