ในทางสถิติการถดถอยเชิงเส้นเป็นแบบจำลองที่ประมาณความสัมพันธ์ระหว่าง การตอบสนอง แบบสเกลาร์ ( ตัวแปรตาม ) และตัวแปรอธิบายหนึ่งตัวหรือมากกว่า ( ตัวแปรอิสระหรือตัวแปรถดถอย ) แบบจำลองที่มีตัวแปรอธิบายเพียงตัวเดียวเรียกว่าการถดถอยเชิงเส้นแบบง่าย แบบ จำลอง ที่มีตัวแปรอธิบายสองตัวหรือมากกว่าเรียกว่าการถดถอยเชิงเส้นแบบหลายตัวแปร^{[ 1 ]}คำนี้แตกต่างจากการถดถอยเชิงเส้นแบบหลายตัวแปรซึ่งทำนาย ตัวแปรตามที่มี ความสัมพันธ์กัน หลายตัว แทนที่จะเป็นตัวแปรตามเพียงตัวเดียว^{[ 2 ]}

ในการวิเคราะห์การถดถอยเชิงเส้น ความสัมพันธ์จะถูกจำลองโดยใช้ฟังก์ชันทำนายเชิงเส้นซึ่งพารามิเตอร์ ของแบบจำลองที่ไม่ทราบค่า จะถูกประมาณจากข้อมูลโดยทั่วไปแล้วค่าเฉลี่ยแบบมีเงื่อนไขของตัวแปรตอบสนองเมื่อกำหนดค่าของตัวแปรอธิบาย (หรือตัวทำนาย) จะถูกสมมติว่าเป็นฟังก์ชันเชิงเส้นของค่าเหล่านั้น ในบางกรณีอาจใช้ ค่ามัธยฐานแบบมีเงื่อนไขหรือ ควอนไทล์อื่นๆ เช่นเดียวกับ การวิเคราะห์การถดถอย ทุกรูปแบบ การวิเคราะห์การถดถอย เชิงเส้นจะเน้นที่การแจกแจงความน่าจะเป็นแบบมีเงื่อนไขของตัวแปรตอบสนองเมื่อกำหนดค่าของตัวทำนาย มากกว่าการแจกแจงความน่าจะเป็นร่วมของตัวแปรทั้งหมด ซึ่งเป็นขอบเขตของ การ วิเคราะห์ หลายตัวแปร

การถดถอยเชิงเส้นยังเป็นประเภทของอัลกอริธึมการเรียนรู้ของเครื่อง โดยเฉพาะอย่างยิ่ง อัลกอริธึมแบบ มีผู้กำกับดูแลซึ่งเรียนรู้จากชุดข้อมูลที่มีป้ายกำกับและแมปจุดข้อมูลไปยังฟังก์ชันเชิงเส้นที่เหมาะสมที่สุดซึ่งสามารถใช้ในการทำนายบนชุดข้อมูลใหม่ได้^{[ 3 ]}

การถดถอยเชิงเส้นเป็นการวิเคราะห์การถดถอยประเภทแรกที่ได้รับการศึกษาอย่างเข้มงวดและนำไปใช้อย่างกว้างขวางในการประยุกต์ใช้ในทางปฏิบัติ^{[ 4 ]}ทั้งนี้เนื่องจากแบบจำลองที่ขึ้นอยู่กับพารามิเตอร์ที่ไม่ทราบค่าในเชิงเส้นนั้นง่ายต่อการปรับให้เหมาะสมมากกว่าแบบจำลองที่มีความสัมพันธ์กับพารามิเตอร์แบบไม่เชิงเส้น และเนื่องจากคุณสมบัติทางสถิติของตัวประมาณค่าที่ได้นั้นง่ายต่อการกำหนด

การถดถอยเชิงเส้นมีประโยชน์ในทางปฏิบัติมากมาย การใช้งานส่วนใหญ่จัดอยู่ในสองประเภทใหญ่ ๆ ดังต่อไปนี้:

• หากเป้าหมายคือการลดข้อผิดพลาด กล่าวคือความแปรปรวนในการทำนายหรือการพยากรณ์สามารถใช้การถดถอยเชิงเส้นเพื่อสร้างแบบจำลองการทำนายให้เข้ากับชุดข้อมูล ที่สังเกตได้ ของค่าตัวแปรตอบสนองและตัวแปรอธิบาย หลังจากพัฒนาแบบจำลองดังกล่าวแล้ว หากมีการเก็บรวบรวมค่าเพิ่มเติมของตัวแปรอธิบายโดยไม่มีค่าตัวแปรตอบสนองมาด้วย แบบจำลองที่สร้างขึ้นสามารถนำมาใช้ในการทำนายค่าตัวแปรตอบสนองได้
• หากเป้าหมายคือการอธิบายความแปรผันในตัวแปรตอบสนองที่สามารถระบุได้ว่าเป็นผลมาจากความแปรผันในตัวแปรอธิบาย การวิเคราะห์การถดถอยเชิงเส้นสามารถนำมาใช้เพื่อหาปริมาณความแข็งแกร่งของความสัมพันธ์ระหว่างตัวแปรตอบสนองและตัวแปรอธิบาย และโดยเฉพาะอย่างยิ่งเพื่อตรวจสอบว่าตัวแปรอธิบายบางตัวอาจไม่มีความสัมพันธ์เชิงเส้นกับตัวแปรตอบสนองเลยหรือไม่ หรือเพื่อระบุว่ากลุ่มย่อยใดของตัวแปรอธิบายอาจมีข้อมูลที่ซ้ำซ้อนเกี่ยวกับตัวแปรตอบสนอง

แบบจำลองการถดถอยเชิงเส้นมักถูกสร้างขึ้นโดยใช้ วิธีการ กำลังสองน้อยที่สุดแต่ก็อาจสร้างขึ้นด้วยวิธีอื่นได้เช่นกัน เช่น การลด " ความคลาดเคลื่อน " ใน บรรทัดฐานอื่น(เช่นเดียวกับ การ ถดถอยแบบค่าเบี่ยงเบนสัมบูรณ์น้อยที่สุด ) หรือการลดฟังก์ชันต้นทุน กำลังสองน้อยที่สุดแบบมีค่าปรับ เช่น ในการถดถอยแบบริดจ์ ( ค่าปรับ ^{บรรทัดฐาน}L2 ) และลาโซ ( ค่าปรับ ^{บรรทัดฐาน}L1 ) การใช้ค่าความคลาดเคลื่อนกำลังสองเฉลี่ย (MSE) เป็นต้นทุนในชุดข้อมูลที่มีค่าผิดปกติขนาดใหญ่จำนวนมาก อาจส่งผลให้แบบจำลองเหมาะสมกับค่าผิดปกติมากกว่าข้อมูลจริง เนื่องจาก MSE ให้ความสำคัญกับความคลาดเคลื่อนขนาดใหญ่มากกว่า ดังนั้น ควรใช้ฟังก์ชันต้นทุนที่ทนทานต่อค่าผิดปกติหากชุดข้อมูลมีค่าผิดปกติขนาดใหญ่จำนวนมาก ในทางกลับกัน วิธีการ กำลังสองน้อยที่สุดสามารถใช้สร้างแบบจำลองที่ไม่ใช่แบบจำลองเชิงเส้นได้ ดังนั้น แม้ว่าคำว่า "กำลังสองน้อยที่สุด" และ "แบบจำลองเชิงเส้น" จะมีความเชื่อมโยงกันอย่างใกล้ชิด แต่ก็ไม่ได้มีความหมายเหมือนกัน

เมื่อกำหนดชุดข้อมูล ที่มีหน่วยทางสถิติn หน่วย แบบจำลองการถดถอยเชิงเส้นจะถือว่าความสัมพันธ์ระหว่างตัวแปรตามyและเวกเตอร์ของตัวแปรอิสระxเป็นเชิงเส้นความสัมพันธ์นี้ถูกจำลองผ่านพจน์รบกวนหรือตัวแปรความคลาดเคลื่อนε ซึ่งเป็น ตัวแปรสุ่มที่ไม่สามารถสังเกตได้ซึ่งเพิ่ม "สัญญาณรบกวน" พิเศษให้กับความสัมพันธ์เชิงเส้นระหว่างตัวแปรตามและตัวแปรอิสระ ดังนั้นแบบจำลองจึงมีรูปแบบดังนี้โดยที่^Tแทนการสลับแถวและคอลัมน์ ดังนั้นx ^T βจึงเป็นผลคูณภายในระหว่างเวกเตอร์x และβ${\displaystyle \{y_{i},\,x_{i1},\ldots ,x_{ip}\}_{i=1}^{n}}$$${\displaystyle y_{i}=\beta _{0}+\beta _{1}x_{i1}+\cdots +\beta _{p}x_{ip}+\varepsilon _{i}=\mathbf {x} _{i}^{\mathsf {T}}{\boldsymbol {\beta }}+\varepsilon _{i},\qquad i=1,\ldots ,n,}$$

โดยทั่วไปสมการทั้ง n สมการ นี้จะถูกเรียงซ้อนกันและเขียนในรูปแบบเมทริกซ์ดังนี้

${\displaystyle \mathbf {y} =\mathbf {X} {\boldสัญลักษณ์ {\beta }}+{\boldสัญลักษณ์ {\varepsilon }},\,}$

ที่ไหน

${\displaystyle \mathbf {y} ={\begin{bmatrix}y_{1}\\y_{2}\\\vdots \\y_{n}\end{bmatrix}},\quad }$

${\displaystyle \mathbf {X} ={\begin{bmatrix}\mathbf {x} _{1}^{\mathsf {T}}\\\mathbf {x} _{2}^{\mathsf {T}}\\\vdots \\\mathbf {x} _{n}^{\mathsf {T}}\end{bmatrix}}={\begin{bmatrix}1&x_{11}&\cdots &x_{1p}\\1&x_{21}&\cdots &x_{2p}\\\vdots &\vdots &\ddots &\vdots \\1&x_{n1}&\cdots &x_{np}\end{bmatrix}},}$

${\displaystyle {\boldsymbol {\beta }}={\begin{bmatrix}\beta _{0}\\\beta _{1}\\\beta _{2}\\\vdots \\\beta _{p}\end{bmatrix}},\quad {\boldsymbol {\varepsilon }}={\begin{bmatrix}\varepsilon _{1}\\\varepsilon _{2}\\\vdots \\\varepsilon _{n}\end{bmatrix}}.}$

• ${\displaystyle \mathbf {y} }$เวกเตอร์ของค่าที่สังเกตได้ของตัวแปรที่เรียกว่าตัวแปรตามตัวแปรภายในตัวแปรตอบสนองตัวแปรเป้าหมายตัวแปรที่วัดได้ตัวแปรเกณฑ์หรือตัวแปรขึ้นอยู่ตัวแปรนี้บางครั้งเรียกว่าตัวแปรที่ทำนายได้แต่ไม่ควรสับสนกับค่าที่ทำนายได้ซึ่งใช้สัญลักษณ์ การตัดสินใจว่าตัวแปรใดในชุดข้อมูลจะถูกจำลองเป็นตัวแปรขึ้นอยู่ และตัวแปรใดจะถูกจำลองเป็นตัวแปรอิสระ อาจขึ้นอยู่กับสมมติฐานที่ว่าค่าของตัวแปรหนึ่งเกิดจาก หรือได้รับอิทธิพลโดยตรงจากตัวแปรอื่น หรืออาจมีเหตุผลเชิงปฏิบัติการในการจำลองตัวแปรหนึ่งในรูปของตัวแปรอื่น ซึ่งในกรณีนี้ไม่จำเป็นต้องมีสมมติฐานเรื่องความสัมพันธ์เชิงสาเหตุ${\displaystyle y_{i}\ (i=1,\ldots ,n)}$${\displaystyle {\hat {y}}}$
• ${\displaystyle \mathbf {X} }$อาจมองได้ว่าเป็นเมทริกซ์ของเวกเตอร์แถว หรือเวกเตอร์คอลัมน์มิติnซึ่งรู้จักกันในชื่อตัวแปรถดถอยตัวแปรภายนอกตัวแปรอธิบายตัวแปรควบคุมตัวแปรป้อนเข้าตัวแปรทำนายหรือตัวแปรอิสระ (ไม่ควรสับสนกับแนวคิดของตัวแปรสุ่มอิสระ ) บางครั้งเมทริกซ์นี้เรียกว่า เมทริก ซ์ การออกแบบ${\displaystyle \mathbf {x} _{i\cdot }}$${\displaystyle \mathbf {x} _{\cdot j}}$${\displaystyle \mathbf {X} }$
  • โดยปกติแล้ว ค่าคงที่จะถูกรวมไว้เป็นหนึ่งในตัวแปรอิสระ โดยเฉพาะอย่างยิ่งสำหรับβองค์ประกอบที่สอดคล้องกันของ β เรียกว่าค่าคงที่จุดตัด (intercept ) กระบวนการอนุมานทางสถิติหลายอย่างสำหรับแบบจำลองเชิงเส้นต้องการให้มีค่าคงที่จุดตัดอยู่ด้วย ดังนั้นจึงมักรวมค่านี้ไว้แม้ว่าตามหลักทฤษฎีแล้วค่าของมันควรจะเป็นศูนย์ก็ตาม${\displaystyle x_{i0}=1}$${\displaystyle i=1,\ldots ,n}$
  • บางครั้งตัวแปรอิสระตัวหนึ่งอาจเป็นฟังก์ชันที่ไม่เป็นเชิงเส้นของตัวแปรอิสระอีกตัวหนึ่งหรือของค่าข้อมูล เช่น ในการถดถอยพหุนามและการถดถอยแบบแบ่งส่วน แบบจำลองจะยังคงเป็นเชิงเส้นตราบใดที่มันเป็นเชิงเส้นในเวกเตอร์พารามิเตอร์β
  • ค่าx อาจถูกมองว่าเป็นค่าที่สังเกตได้ของตัวแปรสุ่มX หรือเป็นค่าคงที่ที่เลือกไว้ก่อนที่จะสังเกตตัวแปรตาม การตีความทั้งสองแบบอาจเหมาะสมในกรณีที่แตกต่างกัน และโดยทั่วไปแล้วจะนำไปสู่ขั้นตอนการประมาณค่าแบบเดียวกัน อย่างไรก็ตาม วิธีการวิเคราะห์เชิงอะซิมโทติกที่ใช้ในสองสถานการณ์นี้ แตกต่างกัน
• ${\displaystyle {\boldสัญลักษณ์ {\beta }}}$เป็นเวกเตอร์พารามิเตอร์มิติ n โดยที่คือค่าคงที่ (ถ้ามีอยู่ในแบบจำลอง มิฉะนั้นจะเป็น เวกเตอร์มิติ p ) องค์ประกอบของเวกเตอร์นี้เรียกว่าค่าผลกระทบหรือสัมประสิทธิ์การถดถอย (แม้ว่าบางครั้งคำว่าสัมประสิทธิ์การถดถอยจะสงวนไว้สำหรับ ค่าผลกระทบ ที่ประมาณได้ ) ในการถดถอยเชิงเส้นอย่างง่ายp = 1 และสัมประสิทธิ์ เรียกว่าความชันของการถดถอย${\displaystyle (p+1)}$${\displaystyle \beta _{0}}$${\displaystyle {\boldสัญลักษณ์ {\beta }}}$การประมาณค่าและการอนุมานทางสถิติในการถดถอยเชิงเส้นจะเน้นที่ค่า βโดยองค์ประกอบของเวกเตอร์พารามิเตอร์นี้จะถูกตีความว่าเป็นอนุพันธ์ย่อยของตัวแปรตามเทียบกับตัวแปรอิสระต่างๆ
• ${\displaystyle {\boldสัญลักษณ์ {\varepsilon }}}$เป็นเวกเตอร์ของค่าต่างๆส่วนนี้ของแบบจำลองเรียกว่าเทอมความคลาดเคลื่อนเทอมรบกวนหรือบางครั้ง เรียกว่า สัญญาณรบกวน (ตรงข้ามกับ "สัญญาณ" ที่ได้จากส่วนที่เหลือของแบบจำลอง) ตัวแปรนี้รวบรวมปัจจัยอื่นๆ ทั้งหมดที่ส่งผลต่อตัวแปรตามyนอกเหนือจากตัวแปรอิสระxความสัมพันธ์ระหว่างเทอมความคลาดเคลื่อนและตัวแปรอิสระ เช่น ค่าสหสัมพันธ์เป็นสิ่งสำคัญอย่างยิ่งในการสร้างแบบจำลองการถดถอยเชิงเส้น เนื่องจากจะเป็นตัวกำหนดวิธีการประมาณค่าที่เหมาะสม${\displaystyle \varepsilon _{i}}$

การสร้างแบบจำลองเชิงเส้นให้เข้ากับชุดข้อมูลที่กำหนด มักต้องประมาณค่าสัมประสิทธิ์การถดถอยเพื่อให้ค่าความคลาดเคลื่อนน้อยที่สุด ตัวอย่างเช่น นิยมใช้ผลรวมของกำลังสองของความคลาดเคลื่อนเป็นตัววัดค่าความคลาดเคลื่อนให้น้อยที่สุด ${\displaystyle {\boldสัญลักษณ์ {\beta }}}$${\displaystyle {\boldสัญลักษณ์ {\varepsilon }}=\mathbf {y} -\mathbf {X} {\boldสัญลักษณ์ {\beta }}}$${\displaystyle \|{\boldสัญลักษณ์ {\varepsilon }}\|_{2}^{2}}$${\displaystyle {\boldสัญลักษณ์ {\varepsilon }}}$

ลองพิจารณาสถานการณ์ที่ลูกบอลขนาดเล็กถูกโยนขึ้นไปในอากาศ แล้วเราวัดความสูงในการขึ้นh ในช่วงเวลาต่างๆt หลักฟิสิกส์บอกเราว่า หากไม่คำนึงถึงแรงต้านอากาศความสัมพันธ์สามารถจำลองได้ดังนี้

${\displaystyle h_{i}=\beta _{1}t_{i}+\beta _{2}t_{i}^{2}+\varepsilon _{i},}$

โดยที่β กำหนดความเร็วเริ่มต้นของลูกบอลβ เป็นสัดส่วนกับแรงโน้มถ่วงมาตรฐานและε เกิดจากข้อผิดพลาดในการวัด สามารถใช้การถดถอยเชิงเส้นเพื่อประมาณค่าของβ และβ จากข้อมูลที่วัดได้ แบบจำลองนี้ไม่เชิงเส้นในตัวแปรเวลา แต่เชิงเส้นในพารามิเตอร์β และβ ถ้าเราใช้ตัวแปรอิสระx  = ( x , x ) = ( t , t ² ) แบบจำลองจะมีรูปแบบมาตรฐาน

${\displaystyle h_{i}=\mathbf {x} _{i}^{\mathsf {T}}{\boldsymbol {\beta }}+\varepsilon _{i}.}$

เมื่อประมาณค่าพารามิเตอร์ของแบบจำลองการถดถอยเชิงเส้นด้วยเทคนิคการประมาณค่ามาตรฐาน เช่นกำลังสองน้อยที่สุดแบบธรรมดาจำเป็นต้องตั้งสมมติฐานหลายประการเกี่ยวกับตัวแปรทำนาย ตัวแปรตอบสนอง และความสัมพันธ์ระหว่างตัวแปรเหล่านั้น เพื่อให้ได้ตัวประมาณค่าที่ไม่เอนเอียงในตัวอย่างจำกัด มีการพัฒนาส่วนขยายจำนวนมากที่ช่วยให้สามารถผ่อนคลายสมมติฐานเหล่านี้ (ลดให้เหลือรูปแบบที่อ่อนกว่า) และในบางกรณีสามารถกำจัดสมมติฐานเหล่านี้ได้ทั้งหมด โดยทั่วไปส่วนขยายเหล่านี้ต้องการข้อมูลหรือสมมติฐานการสร้างแบบจำลองเพิ่มเติมเพื่อ สร้าง แบบจำลองที่แม่นยำเท่าเทียมกัน^{[ 5 ]}

แบบจำลองการถดถอยเชิงเส้นที่เหมาะสมสามารถใช้เพื่อระบุความสัมพันธ์ระหว่างตัวแปรทำนายเดี่ยวx และตัวแปรตอบสนองyเมื่อตัวแปรทำนายอื่นๆ ทั้งหมดในแบบจำลอง "คงที่" โดยเฉพาะอย่างยิ่ง การตีความβ คือ การเปลี่ยนแปลง ที่คาดหวังในyสำหรับการเปลี่ยนแปลงหนึ่งหน่วยในx เมื่อตัวแปรอิสระอื่นๆ คงที่ นั่นคือ ค่าที่คาดหวังของอนุพันธ์ย่อยของ y เทียบกับx บางครั้งเรียกว่าผลกระทบเฉพาะของx ต่อyในทางตรงกันข้ามผลกระทบส่วนเพิ่มของx ต่อyสามารถประเมินได้โดยใช้สัมประสิทธิ์สหสัมพันธ์หรือ แบบจำลอง การถดถอยเชิงเส้นอย่างง่าย ที่เชื่อม โยง เฉพาะx กับy เท่านั้น ผลกระทบนี้คืออนุพันธ์ทั้งหมดของyเทียบกับx

ต้องระมัดระวังในการตีความผลลัพธ์การถดถอย เนื่องจากตัวแปรอิสระบางตัวอาจไม่อนุญาตให้มีการเปลี่ยนแปลงเล็กน้อย (เช่นตัวแปรดัมมี่หรือพจน์ค่าคงที่) ในขณะที่ตัวแปรอิสระอื่นๆ ไม่สามารถคงที่ได้ (โปรดจำตัวอย่างจากบทนำ: เป็นไปไม่ได้ที่จะ " คงที่ t " และในขณะเดียวกันก็เปลี่ยนค่าของt ² )

เป็นไปได้ที่ผลกระทบเฉพาะตัวจะเกือบเป็นศูนย์ แม้ว่าผลกระทบส่วนเพิ่มจะมีขนาดใหญ่ก็ตาม นี่อาจหมายความว่าตัวแปรเสริมอื่น ๆ สามารถอธิบายข้อมูลทั้งหมดในx ได้ ดังนั้นเมื่อตัวแปรนั้นอยู่ในแบบจำลองแล้ว x จะไม่มีส่วนร่วมในการแปรผัน ของ yอีกต่อไป ในทางกลับกัน ผลกระทบเฉพาะตัวของx อาจมีขนาดใหญ่ ในขณะที่ผลกระทบส่วนเพิ่มเกือบเป็นศูนย์ สิ่งนี้จะเกิดขึ้นหากตัวแปรเสริมอื่น ๆ อธิบายการแปรผันของ yได้มากแต่ส่วนใหญ่จะอธิบายการแปรผันในลักษณะที่เสริมกับสิ่งที่x อธิบายได้ ในกรณีนี้ การรวมตัวแปรอื่น ๆ เข้าในแบบจำลองจะลดส่วนของการแปรผันของyที่ไม่เกี่ยวข้องกับx จึงทำให้ความสัมพันธ์ที่ปรากฏกับx j

ความหมายของคำว่า "คงที่" อาจขึ้นอยู่กับว่าค่าของตัวแปรทำนายเกิดขึ้นได้อย่างไร หากผู้ทำการทดลองกำหนดค่าของตัวแปรทำนายโดยตรงตามแผนการศึกษา การเปรียบเทียบที่สนใจอาจสอดคล้องกับการเปรียบเทียบระหว่างหน่วยที่มีตัวแปรทำนาย "คงที่" โดยผู้ทำการทดลอง หรืออีกนัยหนึ่ง คำว่า "คงที่" อาจหมายถึงการเลือกที่เกิดขึ้นในบริบทของการวิเคราะห์ข้อมูล ในกรณีนี้ เรา "คงที่ตัวแปร" โดยจำกัดความสนใจของเราไปที่ชุดย่อยของข้อมูลที่มีค่าร่วมกันสำหรับตัวแปรทำนายที่กำหนด นี่เป็นการตีความเพียงอย่างเดียวของคำว่า "คงที่" ที่สามารถใช้ได้ในการศึกษาเชิงสังเกต

แนวคิดเรื่อง "ผลกระทบเฉพาะ" น่าสนใจเมื่อศึกษาระบบที่ซับซ้อนซึ่งมีองค์ประกอบที่เกี่ยวข้องกันหลายอย่างที่ส่งผลต่อตัวแปรตอบสนอง ในบางกรณี อาจตีความได้ว่าเป็นผลกระทบเชิงสาเหตุของการแทรกแซงที่เชื่อมโยงกับค่าของตัวแปรทำนาย อย่างไรก็ตาม มีการโต้แย้งว่าในหลายกรณี การวิเคราะห์การถดถอยหลายตัวแปรล้มเหลวในการชี้แจงความสัมพันธ์ระหว่างตัวแปรทำนายและตัวแปรตอบสนองเมื่อตัวทำนายมีความสัมพันธ์กันและไม่ได้ถูกกำหนดตามการออกแบบการศึกษา^{[ 6 ]}

มีการพัฒนาส่วนขยายมากมายของแบบจำลองการถดถอยเชิงเส้น ซึ่งช่วยให้สามารถผ่อนปรนข้อสมมติฐานบางส่วนหรือทั้งหมดที่อยู่เบื้องหลังแบบจำลองพื้นฐานได้

กรณีที่ง่ายที่สุดของตัวแปรทำนายแบบสเกลาร์x ตัวเดียว และตัวแปรตอบสนองแบบสเกลาร์y ตัวเดียว เรียกว่าการถดถอยเชิงเส้นแบบง่ายการขยายไปสู่ตัวแปรทำนายหลายตัวและ/หรือ ตัวแปรทำนายแบบ เวกเตอร์ (แสดงด้วยตัวอักษรX ตัวใหญ่ ) เรียกว่าการถดถอยเชิงเส้นหลายตัวแปรหรือเรียกอีกอย่างว่าการถดถอยเชิงเส้นหลายตัวแปร (ไม่ควรสับสนกับการถดถอยเชิงเส้นหลายตัวแปร ) ^{[ 7 ]}

การถดถอยเชิงเส้นหลายตัวแปรเป็นการขยายผลของการถดถอยเชิงเส้นอย่างง่ายไปสู่กรณีที่มีตัวแปรอิสระมากกว่าหนึ่งตัว และเป็นกรณีพิเศษของแบบจำลองเชิงเส้นทั่วไปที่จำกัดไว้ที่ตัวแปรตามเพียงตัวเดียว แบบจำลองพื้นฐานสำหรับการถดถอยเชิงเส้นหลายตัวแปรคือ

${\displaystyle Y_{i}=\beta _{0}+\beta _{1}X_{i1}+\beta _{2}X_{i2}+\ldots +\beta _{p}X_{ip}+\epsilon _{i}}$

สำหรับการสังเกตแต่ละครั้ง ${\textstyle i=1,\ldots ,n}$

ในสูตรข้างต้น เราพิจารณา การสังเกต nครั้งของตัวแปรตามหนึ่งตัว และ ตัวแปรอิสระ pตัว ดังนั้นY คือ การสังเกต ^{ครั้งที่}iของตัวแปรตาม, X คือ การสังเกต ^{ครั้งที่}iของตัวแปรอิสระตัวที่^j , j = 1, 2, ..., pค่าβ แทนพารามิเตอร์ที่จะประมาณค่า และε คือ^ค่าความคลาดเคลื่อนปกติที่มีการแจกแจงเหมือนกันและเป็นอิสระตัวที่ i

ในการวิเคราะห์การถดถอยเชิงเส้นหลายตัวแปรแบบทั่วไป จะมีสมการหนึ่งสมการในรูปแบบข้างต้นสำหรับ ตัวแปรตาม m > 1 ตัว ซึ่งแต่ละตัวมีชุดตัวแปรอิสระเดียวกัน และดังนั้นจึงได้รับการประมาณค่าพร้อมกัน:

${\displaystyle Y_{ij}=\beta _{0j}+\beta _{1j}X_{i1}+\beta _{2j}X_{i2}+\ldots +\beta _{pj}X_{ip}+\epsilon _{ij}}$

สำหรับ ข้อมูล สังเกตการณ์ทั้งหมดที่มีดัชนีเป็นi = 1, ... , nและสำหรับตัวแปรตามทั้งหมดที่มีดัชนีเป็นj = 1, ... , m

แบบจำลองการถดถอยในโลกแห่งความเป็นจริงเกือบทั้งหมดเกี่ยวข้องกับตัวทำนายหลายตัว และคำอธิบายพื้นฐานของการถดถอยเชิงเส้นมักจะใช้รูปแบบของแบบจำลองการถดถอยหลายตัวแปร อย่างไรก็ตาม โปรดทราบว่าในกรณีเหล่านี้ ตัวแปรตอบสนองyยังคงเป็นค่าสเกลาร์ ส่วนคำว่าการถดถอยเชิงเส้นหลายตัวแปรหมายถึงกรณีที่y เป็นเวกเตอร์ กล่าว คือ เหมือนกับการถดถอยเชิงเส้นทั่วไป

แบบจำลองเชิงเส้นทั่วไปพิจารณาสถานการณ์ที่ตัวแปรตอบสนองไม่ใช่ค่าสเกลาร์ (สำหรับแต่ละการสังเกต) แต่เป็นเวกเตอร์y  ยังคงถือว่ามีความเป็นเส้นตรงแบบมีเงื่อนไข โดยใช้เมทริกซ์ Bแทนเวกเตอร์βในแบบจำลองการถดถอยเชิงเส้นแบบคลาสสิก มีการพัฒนาแบบจำลองหลายตัวแปรที่คล้ายกับวิธีการกำลังสองน้อยที่สุดแบบธรรมดา (OLS) และ วิธี การกำลังสองน้อยที่สุดแบบทั่วไป (GLS) "แบบจำลองเชิงเส้นทั่วไป" เรียกอีกอย่างว่า "แบบจำลองเชิงเส้นหลายตัวแปร" ซึ่งแตกต่างจากแบบจำลองเชิงเส้นหลายตัวแปร (เรียกอีกอย่างว่า "แบบจำลองเชิงเส้นหลายตัว") ${\displaystyle E(\mathbf {y} \mid \mathbf {x} _{i})=\mathbf {x} _{i}^{\mathsf {T}}B}$

มีการสร้างแบบจำลองต่างๆ ที่รองรับ ความแปรปรวน ที่ไม่คงที่ (heteroscedasticity ) กล่าวคือ ค่าความคลาดเคลื่อนของตัวแปรตอบสนองที่แตกต่างกันอาจมีค่าความแปรปรวน ที่ต่างกัน ตัวอย่างเช่น วิธีการกำลังสองน้อยที่สุดแบบถ่วงน้ำหนัก ( weighted least squares ) เป็นวิธีการประมาณค่าแบบจำลองการถดถอยเชิงเส้นเมื่อตัวแปรตอบสนองอาจมีค่าความแปรปรวนของความคลาดเคลื่อนที่แตกต่างกัน โดยอาจมีความคลาดเคลื่อนที่สัมพันธ์กัน (ดูเพิ่มเติมที่ วิธีการกำลังสองน้อยที่สุดเชิงเส้นแบบถ่วงน้ำหนัก ( Weighted linear least squares ) และ วิธีการกำลัง สองน้อยที่สุดแบบทั่วไป (Generalized least squares )) ค่าความคลาดเคลื่อนมาตรฐานที่สอดคล้องกับความแปรปรวนที่ไม่คงที่ (Heteroscedasticity-consistent standard errors ) เป็นวิธีการปรับปรุงสำหรับการใช้งานกับความคลาดเคลื่อนที่ไม่สัมพันธ์กันแต่มีแนวโน้มที่จะมีความแปรปรวนที่ไม่คงที่

แบบจำลองเชิงเส้นทั่วไป (Generalized linear model หรือ GLM) เป็นกรอบการทำงานสำหรับการสร้างแบบจำลองตัวแปรตอบสนองที่มีขอบเขตหรือเป็นค่าไม่ต่อเนื่อง ตัวอย่างเช่น ใช้ในกรณีต่อไปนี้:

• เมื่อสร้างแบบจำลองปริมาณที่เป็นบวก (เช่น ราคาหรือประชากร) ที่เปลี่ยนแปลงไปในวงกว้าง ซึ่งจะอธิบายได้ดีกว่าโดยใช้การแจกแจงแบบเบ้เช่นการแจกแจงแบบลอการิทมิกปกติหรือการแจกแจงแบบปัวซง (แม้ว่า GLM จะไม่ใช้กับข้อมูลแบบลอการิทมิกปกติ แต่ตัวแปรตอบสนองจะถูกแปลงโดยใช้ฟังก์ชันลอการิทึมแทน)
• เมื่อทำการสร้างแบบจำลองข้อมูลเชิงหมวดหมู่เช่น การเลือกผู้สมัครคนใดคนหนึ่งในการเลือกตั้ง (ซึ่งอธิบายได้ดีกว่าโดยใช้การแจกแจงแบบเบอร์นูลลี / การแจกแจงแบบทวินามสำหรับตัวเลือกแบบไบนารี หรือการแจกแจงเชิงหมวดหมู่ / การแจกแจงแบบพหุนามสำหรับตัวเลือกแบบหลายทาง) ซึ่งมีจำนวนตัวเลือกที่แน่นอนและไม่สามารถจัดลำดับได้อย่างมีความหมาย
• เมื่อทำการสร้างแบบจำลองข้อมูลเชิงลำดับเช่น การให้คะแนนในมาตราส่วนตั้งแต่ 0 ถึง 5 ซึ่งผลลัพธ์ที่แตกต่างกันสามารถเรียงลำดับได้ แต่ปริมาณนั้นเองอาจไม่มีความหมายที่แน่นอน (เช่น การให้คะแนน 4 อาจไม่ได้หมายความว่า "ดีกว่าสองเท่า" ในแง่ที่เป็นรูปธรรมเมื่อเทียบกับการให้คะแนน 2 แต่เป็นเพียงการบ่งชี้ว่าดีกว่า 2 หรือ 3 แต่ไม่ดีเท่า 5)

แบบจำลองเชิงเส้นทั่วไปอนุญาตให้ใช้ฟังก์ชันเชื่อมโยง g ใดๆ ก็ได้ ซึ่งเชื่อมโยงค่าเฉลี่ยของตัวแปรตอบสนองกับตัวแปรทำนายฟังก์ชันเชื่อมโยงมักเกี่ยวข้องกับการกระจายตัวของตัวแปรตอบสนอง โดยเฉพาะอย่างยิ่งมักมีผลในการแปลงระหว่างช่วงของตัวแปรทำนายเชิงเส้นและช่วงของตัวแปรตอบสนอง ${\displaystyle E(Y)=g^{-1}(XB)}$${\displaystyle (-\infty ,\infty )}$

ตัวอย่างทั่วไปของ GLM ได้แก่:

• การถดถอยปัวซงสำหรับข้อมูลเชิงนับ
• การวิเคราะห์การถดถอยโลจิสติกและการวิเคราะห์การถดถอยโพรบิตสำหรับข้อมูลไบนารี
• การถดถอยโลจิสติกแบบหลายตัวแปรและ การถดถอย โพรบิตแบบหลายตัวแปรสำหรับข้อมูลเชิงหมวดหมู่
• การถดถอย แบบ Ordered logitและOrdered probitสำหรับข้อมูลเชิงลำดับ

แบบจำลองดัชนีเดี่ยวช่วยให้มีความไม่เป็นเชิงเส้นในระดับหนึ่งในความสัมพันธ์ระหว่างxและyในขณะที่ยังคงรักษาบทบาทหลักของตัวทำนายเชิงเส้นβ ′ x ไว้ เช่นเดียวกับในแบบจำลองการถดถอยเชิงเส้นแบบคลาสสิก ภายใต้เงื่อนไขบางประการ การใช้ OLS กับข้อมูลจากแบบจำลองดัชนีเดี่ยวจะประมาณค่าβ ได้อย่างสม่ำเสมอ จนถึงค่าคงที่สัดส่วน^{[ 8 ]}

แบบจำลองเชิงเส้นลำดับชั้น (หรือการถดถอยหลายระดับ ) จัดระเบียบข้อมูลเป็นลำดับชั้นของการถดถอย ตัวอย่างเช่นAถูกถดถอยกับBและBถูกถดถอยกับCมักใช้ในกรณีที่ตัวแปรที่สนใจมีโครงสร้างลำดับชั้นตามธรรมชาติ เช่น ในสถิติทางการศึกษา ที่นักเรียนอยู่ภายใต้ห้องเรียน ห้องเรียนอยู่ภายใต้โรงเรียน และโรงเรียนอยู่ภายใต้กลุ่มการบริหารบางอย่าง เช่น เขตการศึกษา ตัวแปรตอบสนองอาจเป็นการวัดผลสัมฤทธิ์ทางการเรียนของนักเรียน เช่น คะแนนสอบ และตัวแปรอิสระต่างๆ จะถูกเก็บรวบรวมในระดับห้องเรียน โรงเรียน และเขตการศึกษา

แบบจำลองความคลาดเคลื่อนในตัวแปร (หรือ "แบบจำลองความคลาดเคลื่อนในการวัด") ขยายแบบจำลองการถดถอยเชิงเส้นแบบดั้งเดิมเพื่อให้ตัวแปรทำนายXสามารถสังเกตได้โดยมีข้อผิดพลาด ความคลาดเคลื่อนนี้ทำให้ค่าประมาณมาตรฐานของβเกิดความเอนเอียง โดยทั่วไปแล้ว ความเอนเอียงจะมีรูปแบบเป็นการลดทอน หมายความว่าผลกระทบจะเอนเอียงไปทางศูนย์

ในแบบจำลองการถดถอยเชิงเส้นหลายตัวแปร

${\displaystyle y=\beta _{0}+\beta _{1}x_{1}+\cdots +\beta _{p}x_{p}+\varepsilon ,}$

พารามิเตอร์ของตัวแปรทำนายแสดงถึงผลกระทบเฉพาะตัวของตัวแปรนั้นโดยมีความหมายว่า การเปลี่ยนแปลงที่คาดหวังในตัวแปรตอบสนองเมื่อตัวแปรนั้นเพิ่มขึ้นหนึ่งหน่วย โดยที่ตัวแปรทำนายอื่นๆ คงที่ เมื่อตัวแปรนั้นมีความสัมพันธ์อย่างมากกับตัวแปรทำนายอื่นๆ โอกาสที่ตัวแปรนั้นจะเพิ่มขึ้นหนึ่งหน่วยโดยที่ตัวแปรอื่นๆ คงที่นั้นมีน้อย ในกรณีนี้ การตีความของตัวแปรนั้นจึงมีปัญหา เนื่องจากขึ้นอยู่กับเงื่อนไขที่ไม่น่าจะเป็นไปได้ และไม่สามารถประเมินผลกระทบของตัวแปรนั้นได้โดยลำพัง ${\displaystyle \beta _{j}}$${\displaystyle x_{j}}$${\displaystyle x_{j}}$${\displaystyle y}$${\displaystyle x_{j}}$${\displaystyle x_{j}}$${\displaystyle x_{j}}$${\displaystyle \beta _{j}}$${\displaystyle x_{j}}$

สำหรับกลุ่มตัวแปรทำนาย เช่นผลกระทบของกลุ่มจะถูกกำหนดให้เป็นผลรวมเชิงเส้นของพารามิเตอร์ของกลุ่มนั้น ${\displaystyle \{x_{1},x_{2},\dots ,x_{q}\}}$${\displaystyle \xi (\mathbf {w} )}$

${\displaystyle \xi (\mathbf {w} )=w_{1}\beta _{1}+w_{2}\beta _{2}+\dots +w_{q}\beta _{q},}$

โดยที่เป็นเวกเตอร์น้ำหนักที่สอดคล้องกับเงื่อนไขเนื่องจากข้อจำกัด เกี่ยวกับ จึงเรียกอีกอย่างว่าผลกระทบกลุ่มแบบนอร์มาไลซ์ ผลกระทบกลุ่มมีการตีความว่าเป็นการเปลี่ยนแปลงที่คาดหวังในเมื่อตัวแปรในกลุ่มเปลี่ยนแปลงไปในปริมาณตามลำดับ ในเวลาเดียวกันกับที่ตัวแปรอื่น ๆ (ที่ไม่ได้อยู่ในกลุ่ม) คงที่ มันเป็นการขยายผลกระทบเฉพาะตัวของตัวแปรไปสู่กลุ่มของตัวแปรในแง่ที่ว่า ( ) ถ้าแล้วผลกระทบกลุ่มจะลดลงเหลือผลกระทบเฉพาะตัว และ ( ) ถ้าและสำหรับแล้วผลกระทบกลุ่มก็จะลดลงเหลือผลกระทบเฉพาะตัวเช่นกัน ผลกระทบกลุ่มจะถือว่ามีความหมายหากการเปลี่ยนแปลงพร้อมกันของตัวแปรที่ เกิดขึ้นนั้น มีความน่าจะเป็น ${\displaystyle \mathbf {w} =(w_{1},w_{2},\dots ,w_{q})^{\intercal }}$${\textstyle \sum _{j=1}^{q}|w_{j}|=1}$${\displaystyle {w_{j}}}$${\displaystyle \xi (\mathbf {w} )}$${\displaystyle \xi (\mathbf {w} )}$${\displaystyle y}$${\displaystyle x_{1},x_{2},\dots ,x_{q}}$${\displaystyle w_{1},w_{2},\dots ,w_{q}}$${\displaystyle i}$${\displaystyle q=1}$${\displaystyle ii}$${\displaystyle w_{i}=1}$${\displaystyle w_{j}=0}$${\displaystyle j\neq i}$${\displaystyle \xi (\mathbf {w} )}$${\displaystyle q}$${\displaystyle (x_{1},x_{2},\dots ,x_{q})^{\intercal }}$

ผลกระทบของกลุ่มช่วยให้สามารถศึกษาผลกระทบโดยรวมของตัวแปรทำนายที่มีความสัมพันธ์กันอย่างมากในแบบจำลองการถดถอยเชิงเส้น ผลกระทบของตัวแปรแต่ละตัวนั้นไม่สามารถกำหนดได้อย่างชัดเจน เนื่องจากพารามิเตอร์ของตัวแปรเหล่านั้นไม่มีการตีความที่ดี นอกจากนี้ เมื่อขนาดของกลุ่มตัวอย่างไม่ใหญ่ พารามิเตอร์ใดๆ ก็ไม่สามารถประมาณค่าได้อย่างแม่นยำด้วยการถดถอยกำลังสองน้อยที่สุดเนื่องจาก ปัญหา ความสัมพันธ์ร่วมหลายตัวแปรอย่างไรก็ตาม มีผลกระทบของกลุ่มที่มีความหมายซึ่งมีการตีความที่ดีและสามารถประมาณค่าได้อย่างแม่นยำด้วยการถดถอยกำลังสองน้อยที่สุด วิธีง่ายๆ ในการระบุผลกระทบของกลุ่มที่มีความหมายเหล่านี้คือการใช้การจัดเรียงแบบความสัมพันธ์เป็นบวกทั้งหมด (APC) ของตัวแปรที่มีความสัมพันธ์กันอย่างมาก ซึ่งความสัมพันธ์แบบคู่ระหว่างตัวแปรเหล่านี้เป็นบวกทั้งหมด และทำให้ตัวแปรทำนายทั้งหมดในแบบจำลองเป็นมาตรฐานเพื่อให้มีค่าเฉลี่ยเป็นศูนย์และความยาวเป็นหนึ่ง เพื่อแสดงให้เห็นภาพนี้ สมมติว่าเป็นกลุ่มของตัวแปรที่มีความสัมพันธ์กันอย่างมากในการจัดเรียงแบบ APC และตัวแปรเหล่านั้นไม่มีความสัมพันธ์กันอย่างมากกับตัวแปรทำนายภายนอกกลุ่ม ให้เป็นค่าที่ปรับศูนย์กลางแล้วและเป็นค่ามาตรฐานดังนั้น แบบจำลองการถดถอยเชิงเส้นมาตรฐานคือ ${\displaystyle p}$${\displaystyle \{x_{1},x_{2},\dots ,x_{q}\}}$${\displaystyle y'}$${\displaystyle y}$${\displaystyle x_{j}'}$${\displaystyle x_{j}}$

${\displaystyle y'=\beta _{1}'x_{1}'+\cdots +\beta _{p}'x_{p}'+\varepsilon .}$

พารามิเตอร์ในแบบจำลองดั้งเดิม รวมถึงเป็นฟังก์ชันง่ายๆ ของในแบบจำลองมาตรฐาน การทำให้ตัวแปรเป็นมาตรฐานไม่ได้เปลี่ยนแปลงความสัมพันธ์ของตัวแปรเหล่านั้น ดังนั้น จึงเป็นกลุ่มของตัวแปรที่มีความสัมพันธ์กันอย่างมากในรูปแบบ APC และไม่ได้มีความสัมพันธ์กันอย่างมากกับตัวแปรทำนายอื่นๆ ในแบบจำลองมาตรฐาน ผลกระทบของกลุ่มคือ ${\displaystyle \beta _{j}}$${\displaystyle \beta _{0}}$${\displaystyle \beta _{j}'}$${\displaystyle \{x_{1}',x_{2}',\dots ,x_{q}'\}}$${\displaystyle \{x_{1}',x_{2}',\dots ,x_{q}'\}}$

${\displaystyle \xi '(\mathbf {w} )=w_{1}\beta _{1}'+w_{2}\beta _{2}'+\dots +w_{q}\beta _{q}',}$

และตัวประมาณเชิงเส้นที่ไม่เอนเอียงที่มีความแปรปรวนต่ำสุดคือ

${\displaystyle {\hat {\xi }}'(\mathbf {w} )=w_{1}{\hat {\beta }}_{1}'+w_{2}{\hat {\beta }}_{2}'+\dots +w_{q}{\hat {\beta }}_{q}',}$

โดยที่คือตัวประมาณค่ากำลังสองน้อยที่สุดของโดยเฉพาะอย่างยิ่ง ผลกระทบเฉลี่ยของกลุ่มของตัวแปรมาตรฐานคือ ${\displaystyle {\hat {\beta }}_{j}'}$${\displaystyle \beta _{j}'}$${\displaystyle q}$

${\displaystyle \xi _{A}={\frac {1}{q}}(\beta _{1}'+\beta _{2}'+\dots +\beta _{q}'),}$

ซึ่งมีการตีความได้ว่าเป็นการเปลี่ยนแปลงที่คาดหวังเมื่อตัวแปรทั้งหมดในกลุ่มที่มีความสัมพันธ์กันอย่างมากเพิ่มขึ้นพร้อมกันทีละ 1/3 ของหน่วย โดยที่ตัวแปรภายนอกกลุ่มคงที่ เมื่อมีความสัมพันธ์เชิงบวกที่แข็งแกร่งและอยู่ในหน่วยมาตรฐาน ตัวแปรในกลุ่มจะมีค่าใกล้เคียงกัน ดังนั้นจึงมีแนวโน้มที่จะเพิ่มขึ้นพร้อมกันและในปริมาณที่ใกล้เคียงกัน ดังนั้น ผลกระทบเฉลี่ยของกลุ่มจึง เป็นผลกระทบที่มีความหมาย สามารถประมาณค่าได้อย่างแม่นยำโดยใช้ตัวประมาณค่าเชิงเส้นที่ไม่เอนเอียงที่มีความแปรปรวนต่ำสุด แม้ว่าตัวแปรแต่ละตัวจะไม่สามารถประมาณค่าได้อย่างแม่นยำด้วยตัวประมาณค่าเชิงเส้นที่ไม่เอนเอียงก็ตาม ${\displaystyle y'}$${\displaystyle x_{j}'}$${\displaystyle (1/q)}$${\displaystyle \xi _{A}}$${\textstyle {\hat {\xi }}_{A}={\frac {1}{q}}({\hat {\beta }}_{1}'+{\hat {\beta }}_{2}'+\dots +{\hat {\beta }}_{q}')}$${\displaystyle \beta _{j}'}$${\displaystyle {\hat {\beta }}_{j}'}$

ผลกระทบของกลุ่มบางอย่างอาจไม่มีความหมายหรือสามารถประมาณค่าได้อย่างแม่นยำ ตัวอย่างเช่นเป็นผลกระทบของกลุ่มพิเศษที่มีน้ำหนักและสำหรับแต่ไม่สามารถประมาณค่าได้อย่างแม่นยำโดยและก็ไม่ใช่ผลกระทบที่มีความหมายเช่นกัน โดยทั่วไปแล้ว สำหรับกลุ่มตัวแปรทำนายที่มีความสัมพันธ์กันอย่างมากในรูปแบบ APC ในแบบจำลองมาตรฐาน ผลกระทบของกลุ่มที่มีเวกเตอร์น้ำหนักอยู่ที่หรือใกล้จุดศูนย์กลางของซิมเพล็กซ์( ) จะมีความหมายและสามารถประมาณค่าได้อย่างแม่นยำโดยตัวประมาณค่าเชิงเส้นที่ไม่เอนเอียงที่มีความแปรปรวนต่ำสุด ผลกระทบที่มีเวกเตอร์น้ำหนักอยู่ไกลจากจุดศูนย์กลางนั้นไม่มีความหมาย เนื่องจากเวกเตอร์น้ำหนักดังกล่าวแสดงถึงการเปลี่ยนแปลงพร้อมกันของตัวแปรที่ละเมิดความสัมพันธ์เชิงบวกที่แข็งแกร่งของตัวแปรมาตรฐานในรูปแบบ APC ดังนั้นจึงไม่น่าจะเป็นไปได้ และไม่สามารถประมาณค่าได้อย่างแม่นยำเช่นกัน ${\displaystyle \beta _{1}'}$${\displaystyle w_{1}=1}$${\displaystyle w_{j}=0}$${\displaystyle j\neq 1}$${\displaystyle {\hat {\beta }}'_{1}}$${\displaystyle q}$${\displaystyle \mathbf {w} }$${\textstyle \sum _{j=1}^{q}w_{j}=1}$${\displaystyle w_{j}\geq 0}$

การประยุกต์ใช้ผลกระทบของกลุ่ม ได้แก่ (1) การประมาณและการอนุมานผลกระทบของกลุ่มที่มีความหมายต่อตัวแปรตอบสนอง (2) การทดสอบ "ความสำคัญของกลุ่ม" ของตัวแปรผ่านการทดสอบเทียบกับและ (3) การกำหนดลักษณะของพื้นที่ของตัวแปรทำนายที่การทำนายโดยแบบจำลองที่ประมาณค่ากำลังสองน้อยที่สุดมีความแม่นยำ ${\displaystyle q}$${\displaystyle H_{0}:\xi _{A}=0}$${\displaystyle H_{1}:\xi _{A}\neq 0}$

ผลกระทบกลุ่มของตัวแปรดั้งเดิมสามารถแสดงได้เป็นค่าคงที่คูณด้วยผลกระทบกลุ่มของตัวแปรมาตรฐาน ผลกระทบกลุ่มแรกจะมีความหมายเมื่อผลกระทบกลุ่มหลังมีความหมาย ดังนั้นผลกระทบกลุ่มที่มีความหมายของตัวแปรดั้งเดิมสามารถพบได้ผ่านผลกระทบกลุ่มที่มีความหมายของตัวแปรมาตรฐาน^{[ 9 ]}${\displaystyle \{x_{1},x_{2},\dots ,x_{q}\}}$${\displaystyle \{x_{1}',x_{2}',\dots ,x_{q}'\}}$

ในทฤษฎี Dempster–Shaferหรือ โดยเฉพาะอย่างยิ่งใน ฟังก์ชันความเชื่อเชิงเส้นแบบจำลองการถดถอยเชิงเส้นอาจถูกแสดงเป็นเมทริกซ์ที่กวาดบางส่วน ซึ่งสามารถรวมเข้ากับเมทริกซ์ที่คล้ายกันซึ่งแสดงถึงการสังเกตและการกระจายแบบปกติที่สมมติขึ้นอื่นๆ และสมการสถานะ การรวมกันของเมทริกซ์ที่กวาดหรือไม่กวาดให้วิธีการทางเลือกสำหรับการประมาณแบบจำลองการถดถอยเชิงเส้น

มีการพัฒนาวิธีการมากมายสำหรับ การประมาณ ค่าพารามิเตอร์และการอนุมานในแบบจำลองการถดถอยเชิงเส้น วิธีการเหล่านี้แตกต่างกันในด้านความเรียบง่ายในการคำนวณของอัลกอริทึม การมีคำตอบในรูปแบบปิดความทนทานต่อการแจกแจงแบบหางหนัก และสมมติฐานทางทฤษฎีที่จำเป็นในการตรวจสอบคุณสมบัติทางสถิติที่พึงประสงค์ เช่นความสอดคล้องและประสิทธิภาพเชิง อะซิมโท ติก

เทคนิคการประมาณค่าที่ใช้กันทั่วไปบางส่วนสำหรับการถดถอยเชิงเส้นมีสรุปไว้ด้านล่างนี้

สมมติว่าตัวแปรอิสระคือและพารามิเตอร์ของแบบจำลองคือดังนั้นการทำนายของแบบจำลองจะเป็น ${\displaystyle {\vec {x_{i}}}=\left[x_{1}^{i},x_{2}^{i},\ldots ,x_{m}^{i}\right]}$${\displaystyle {\vec {\beta }}=\left[\beta _{0},\beta _{1},\ldots ,\beta _{m}\right]}$

${\displaystyle y_{i}\approx \beta _{0}+\sum _{j=1}^{m}\beta _{j}\times x_{j}^{i}}$.

ถ้าขยายไปเป็นก็จะกลายเป็นผลคูณดอทของพารามิเตอร์และเวกเตอร์อิสระ กล่าวคือ ${\displaystyle {\vec {x_{i}}}}$${\displaystyle {\vec {x_{i}}}=\left[1,x_{1}^{i},x_{2}^{i},\ldots ,x_{m}^{i}\right]}$${\displaystyle y_{i}}$

${\displaystyle y_{i}\approx \sum _{j=0}^{m}\beta _{j}\times x_{j}^{i}={\vec {\beta }}\cdot {\vec {x_{i}}}}$.

ในการตั้งค่าแบบกำลังสองน้อยที่สุด เวกเตอร์พารามิเตอร์ที่เหมาะสมที่สุดจะถูกกำหนดในลักษณะที่ทำให้ผลรวมของค่าความสูญเสียกำลังสองเฉลี่ยมีค่าน้อยที่สุด:

${\displaystyle {\vec {\hat {\beta }}}={\underset {\vec {\beta }}{\mbox{arg min}}}\,L\left(D,{\vec {\beta }}\right)={\underset {\vec {\beta }}{\mbox{arg min}}}\sum _{i=1}^{n}\left({\vec {\beta }}\cdot {\vec {x_{i}}}-y_{i}\right)^{2}}$

เมื่อนำตัวแปรอิสระและตัวแปรตามมาใส่ในเมทริกซ์ตามลำดับ ฟังก์ชันความสูญเสียสามารถเขียนใหม่ได้ดังนี้: ${\displaystyle X}$${\displaystyle Y}$

${\displaystyle {\begin{aligned}L\left(D,{\vec {\beta }}\right)&=\|X{\vec {\beta }}-Y\|^{2}\\&=\left(X{\vec {\beta }}-Y\right)^{\textsf {T}}\left(X{\vec {\beta }}-Y\right)\\&=Y^{\textsf {T}}Y-Y^{\textsf {T}}X{\vec {\beta }}-{\vec {\beta }}^{\textsf {T}}X^{\textsf {T}}Y+{\vec {\beta }}^{\textsf {T}}X^{\textsf {T}}X{\vec {\beta }}\end{aligned}}}$

เนื่องจากฟังก์ชันความสูญเสียเป็นฟังก์ชัน นูน ดังนั้นคำตอบที่เหมาะสมที่สุดจึงอยู่ที่ค่าเกร เดียนต์ เป็นศูนย์ เกรเดียนต์ของฟังก์ชันความสูญเสียคือ (โดยใช้รูปแบบการจัดวางตัวหาร ):

${\displaystyle {\begin{aligned}{\frac {\partial L\left(D,{\vec {\beta }}\right)}{\partial {\vec {\beta }}}}&={\frac {\partial \left(Y^{\textsf {T}}Y-Y^{\textsf {T}}X{\vec {\beta }}-{\vec {\beta }}^{\textsf {T}}X^{\textsf {T}}Y+{\vec {\beta }}^{\textsf {T}}X^{\textsf {T}}X{\vec {\beta }}\right)}{\partial {\vec {\beta }}}}\\&=-2X^{\textsf {T}}Y+2X^{\textsf {T}}X{\vec {\beta }}\end{aligned}}}$

การตั้งค่าความชันเป็นศูนย์จะทำให้ได้พารามิเตอร์ที่เหมาะสมที่สุด:

${\displaystyle {\begin{aligned}-2X^{\textsf {T}}Y+2X^{\textsf {T}}X{\vec {\beta }}&=0\\\Rightarrow X^{\textsf {T}}X{\vec {\beta }}&=X^{\textsf {T}}Y\\\Rightarrow {\vec {\hat {\beta }}}&=\left(X^{\textsf {T}}X\right)^{-1}X^{\textsf {T}}Y\end{aligned}}}$

หมายเหตุ:ค่าที่ได้อาจเป็นค่าต่ำสุดเฉพาะที่ จำเป็นต้องทำการหาอนุพันธ์อีกครั้งเพื่อหาเมทริกซ์เฮสเซียนและแสดงว่าเมทริกซ์นั้นเป็นเมทริกซ์บวกแน่นอน ซึ่งเป็นไปตามทฤษฎีบทเกาส์-มาร์คอฟ ${\displaystyle {\hat {\beta }}}$

วิธีการ กำลังสองน้อยที่สุดเชิงเส้นส่วนใหญ่ประกอบด้วย:

• กำลังสองน้อยที่สุดแบบธรรมดา
• กำลังสองน้อยที่สุดแบบถ่วงน้ำหนัก
• กำลังสองน้อยที่สุดทั่วไป
• การปรับแม่แบบเชิงเส้น^{[ 11 ]}

การประมาณค่าความน่าจะเป็นสูงสุดสามารถทำได้เมื่อทราบว่าการกระจายของเทอมความคลาดเคลื่อนเป็นของตระกูลพาราเมตริกƒ ของการกระจายความน่าจะเป็น [ ^{12 ] เมื่อ} f θ กระจายแบบปกติที่มีค่าเฉลี่ย เป็นศูนย์ และความแปรปรวน θ ค่าประมาณที่ได้จะเหมือนกับค่าประมาณ OLS ค่าประมาณ GLS เป็นค่าประมาณความน่าจะเป็นสูงสุดเมื่อ ε เป็นไปตามการกระจายแบบปกติหลายตัวแปรที่มีเมทริกซ์ความแปรปรวน ร่วมที่ทราบ ให้เรากำหนดจุดข้อมูลแต่ละจุดเป็นและพารามิเตอร์การถดถอยเป็นและเซตของข้อมูลทั้งหมดเป็นและฟังก์ชันต้นทุนเป็น ${\displaystyle ({\vec {x_{i}}},y_{i})}$${\displaystyle {\vec {\beta }}}$${\displaystyle D}$${\displaystyle L(D,{\vec {\beta }})=\sum _{i}(y_{i}-{\vec {\beta }}\,\cdot \,{\vec {x_{i}}})^{2}}$

ดังที่แสดงด้านล่าง พารามิเตอร์ที่เหมาะสมที่สุดเดียวกันที่ลดค่าให้น้อยที่สุดจะทำให้ได้ความน่าจะเป็นสูงสุดเช่นกัน^{[ 13 ]}ในที่นี้สมมติฐานคือตัวแปรตามเป็นตัวแปรสุ่มที่ตามการแจกแจงแบบเกาส์เซียนโดยที่ค่าเบี่ยงเบนมาตรฐานคงที่และค่าเฉลี่ยเป็นการรวมเชิงเส้นของ:${\displaystyle L(D,{\vec {\beta }})}$${\displaystyle y}$${\displaystyle {\vec {x}}}$${\displaystyle {\begin{aligned}H(D,{\vec {\beta }})&=\prod _{i=1}^{n}Pr(y_{i}|{\vec {x_{i}}}\,\,;{\vec {\beta }},\sigma )\\&=\prod _{i=1}^{n}{\frac {1}{{\sqrt {2\pi }}\sigma }}\exp \left(-{\frac {\left(y_{i}-{\vec {\beta }}\,\cdot \,{\vec {x_{i}}}\right)^{2}}{2\sigma ^{2}}}\right)\end{aligned}}}$

ตอนนี้เราต้องมองหาพารามิเตอร์ที่ทำให้ฟังก์ชันความน่าจะเป็นนี้มีค่าสูงสุด เนื่องจากฟังก์ชันลอการิทึมเพิ่มขึ้นอย่างต่อเนื่อง แทนที่จะทำให้ฟังก์ชันนี้มีค่าสูงสุด เราสามารถทำให้ลอการิทึมของฟังก์ชันนี้มีค่าสูงสุดและหาพารามิเตอร์ที่เหมาะสมที่สุดด้วยวิธีนั้นได้เช่นกัน^{[ 13 ]}

${\displaystyle {\begin{aligned}I(D,{\vec {\beta }})&=\log \prod _{i=1}^{n}Pr(y_{i}|{\vec {x_{i}}}\,\,;{\vec {\beta }},\sigma )\\&=\log \prod _{i=1}^{n}{\frac {1}{{\sqrt {2\pi }}\sigma }}\exp \left(-{\frac {\left(y_{i}-{\vec {\beta }}\,\cdot \,{\vec {x_{i}}}\right)^{2}}{2\sigma ^{2}}}\right)\\&=n\log {\frac {1}{{\sqrt {2\pi }}\sigma }}-{\frac {1}{2\sigma ^{2}}}\sum _{i=1}^{n}\left(y_{i}-{\vec {\beta }}\,\cdot \,{\vec {x_{i}}}\right)^{2}\end{aligned}}}$

ดังนั้นพารามิเตอร์ที่เหมาะสมที่สุดจึงเท่ากับ: ^{[ 13 ]}

${\displaystyle {\begin{aligned}{\underset {\vec {\beta }}{\mbox{arg max}}}\,I(D,{\vec {\beta }})&={\underset {\vec {\beta }}{\mbox{arg max}}}\left(n\log {\frac {1}{{\sqrt {2\pi }}\sigma }}-{\frac {1}{2\sigma ^{2}}}\sum _{i=1}^{n}\left(y_{i}-{\vec {\beta }}\,\cdot \,{\vec {x_{i}}}\right)^{2}\right)\\&={\underset {\vec {\beta }}{\mbox{arg min}}}\sum _{i=1}^{n}\left(y_{i}-{\vec {\beta }}\,\cdot \,{\vec {x_{i}}}\right)^{2}\\&={\underset {\vec {\beta }}{\mbox{arg min}}}\,L(D,{\vec {\beta }})\\&={\vec {\hat {\beta }}}\end{aligned}}}$

ด้วยวิธีนี้ พารามิเตอร์ที่ทำให้ค่าสูงสุดจะเหมือนกับพารามิเตอร์ที่ทำให้ค่าต่ำสุดซึ่งหมายความว่าในการถดถอยเชิงเส้น ผลลัพธ์ของวิธีการกำลังสองน้อยที่สุดจะเหมือนกับผลลัพธ์ของวิธีการประมาณค่าความน่าจะเป็นสูงสุด^{[ 13 ]}${\displaystyle H(D,{\vec {\beta }})}$${\displaystyle L(D,{\vec {\beta }})}$

การถดถอยแบบ Ridge ^{[ 14 ] [ 15 ] [ 16 ]}และการประมาณค่าแบบมีค่าปรับในรูปแบบอื่นๆ เช่นการถดถอยแบบ Lasso [ ^{17 ]}จงใจนำอคติเข้ามาในการประมาณค่าβเพื่อลดความแปรปรวนของการประมาณค่า โดยทั่วไปแล้วค่าประมาณที่ได้จะมีค่าความคลาดเคลื่อนกำลังสองเฉลี่ย ต่ำ กว่าค่าประมาณ OLS โดยเฉพาะอย่างยิ่งเมื่อ^มี ภาวะความสัมพันธ์ เชิงเส้นหลายตัวแปรหรือเมื่อ เกิดปัญหา การโอเวอร์ฟิตติ้งวิธีการเหล่านี้มักใช้เมื่อเป้าหมายคือการทำนายค่าของตัวแปรตอบสนองyสำหรับค่าของตัวทำนายxที่ยังไม่ได้รับการสังเกต วิธีการเหล่านี้ไม่ค่อยได้ใช้เมื่อเป้าหมายคือการอนุมาน เนื่องจากเป็นการยากที่จะคำนึงถึงอคติ

การถดถอยค่าเบี่ยง เบนสัมบูรณ์น้อยที่สุด (LAD) เป็น เทคนิค การประมาณค่าที่แข็งแกร่งเนื่องจากมีความไวต่อการมีอยู่ของค่าผิดปกติน้อยกว่า OLS (แต่มีประสิทธิภาพ น้อย กว่า OLS เมื่อไม่มีค่าผิดปกติ) เทียบเท่ากับการประมาณค่าความน่าจะเป็นสูงสุดภายใต้^แบบ จำลอง การแจกแจงแบบลาปลาซสำหรับε [ ^{18 ]}

หากเราถือว่าเทอมความคลาดเคลื่อนเป็นอิสระจากตัวแปรอิสระดังนั้นตัวประมาณค่าที่เหมาะสมที่สุดคือ MLE แบบ 2 ขั้นตอน โดยขั้นตอนแรกใช้เพื่อประมาณค่าการกระจายของเทอมความคลาดเคลื่อนแบบไม่ใช้พารามิเตอร์^{[ 19 ]}${\displaystyle \varepsilon _{i}\perp \mathbf {x} _{i}}$

• การถดถอยเชิงเส้นแบบเบย์เซียนประยุกต์ใช้กรอบงานของสถิติแบบเบย์เซียนกับการถดถอยเชิงเส้น (ดูเพิ่มเติมที่การถดถอยเชิงเส้นหลายตัวแปรแบบเบย์เซียน ) โดยเฉพาะอย่างยิ่ง สัมประสิทธิ์การถดถอย β ถือว่าเป็นตัวแปรสุ่ม ที่มีการกระจายความน่าจะเป็นล่วงหน้า (prior distribution ) ที่กำหนดไว้การกระจายความน่าจะเป็นล่วงหน้าสามารถทำให้คำตอบสำหรับสัมประสิทธิ์การถดถอยมีอคติได้ ในลักษณะที่คล้ายกับ (แต่ทั่วไปกว่า)การถดถอยแบบริดจ์ (ridge regression)หรือการถดถอยแบบลาโซ (lasso regression ) นอกจากนี้ กระบวนการประมาณค่าแบบเบย์เซียนไม่ได้ให้ค่าประมาณจุดเดียวสำหรับค่า "ที่ดีที่สุด" ของสัมประสิทธิ์การถดถอย แต่ให้ การกระจายความน่าจะ เป็นภายหลัง (posterior distribution) ทั้งหมด ซึ่งอธิบายความไม่แน่นอนที่อยู่รอบปริมาณนั้นได้อย่างสมบูรณ์ สิ่งนี้สามารถใช้เพื่อประมาณค่าสัมประสิทธิ์ "ที่ดีที่สุด" โดยใช้ค่าเฉลี่ย ค่าฐานนิยม ค่ามัธยฐาน ค่าควอนไทล์ใดๆ (ดูการถดถอยแบบควอนไทล์ ) หรือฟังก์ชันอื่นๆ ของการกระจายความน่าจะเป็นภายหลัง
• การถดถอยควอนไทล์มุ่งเน้นไปที่ควอนไทล์แบบมีเงื่อนไขของ yเมื่อกำหนด Xมากกว่าค่าเฉลี่ยแบบมีเงื่อนไขของ yเมื่อกำหนด Xส่วนการถดถอยควอนไทล์เชิงเส้นจะจำลองควอนไทล์แบบมีเงื่อนไขเฉพาะ เช่น มัธยฐานแบบมีเงื่อนไข เป็นฟังก์ชันเชิงเส้น β ^T xของตัวทำนาย
• แบบจำลองผสมถูกใช้กันอย่างแพร่หลายในการวิเคราะห์ความสัมพันธ์การถดถอยเชิงเส้นที่เกี่ยวข้องกับข้อมูลที่ขึ้นอยู่กันเมื่อความสัมพันธ์มีโครงสร้างที่ทราบ การประยุกต์ใช้แบบจำลองผสมโดยทั่วไป ได้แก่ การวิเคราะห์ข้อมูลที่เกี่ยวข้องกับการวัดซ้ำ เช่น ข้อมูลระยะยาว หรือข้อมูลที่ได้จากการสุ่มตัวอย่างแบบกลุ่ม โดยทั่วไปจะปรับให้เป็น แบบจำลอง พาราเมตริกโดยใช้การประมาณค่าความน่าจะเป็นสูงสุดหรือการประมาณค่าแบบเบย์เซียน ในกรณีที่ข้อผิดพลาดถูกจำลองเป็น ตัวแปรสุ่ม ปกติจะมีความเชื่อมโยงอย่างใกล้ชิดระหว่างแบบจำลองผสมและกำลังสองน้อยที่สุดแบบทั่วไป ^{[ 20 ]}การประมาณค่าผลกระทบคงที่เป็นอีกแนวทางหนึ่งในการวิเคราะห์ข้อมูลประเภทนี้
• การถดถอยส่วนประกอบหลัก (PCR) ^{[ 21 ] [ 22 ]}ใช้เมื่อจำนวนตัวแปรทำนายมีขนาดใหญ่ หรือเมื่อมีความสัมพันธ์ที่แข็งแกร่งระหว่างตัวแปรทำนาย ขั้นตอนสองขั้นตอนนี้จะลดจำนวนตัวแปรทำนายโดยใช้การวิเคราะห์ส่วนประกอบหลัก ก่อน จากนั้นจึงใช้ตัวแปรที่ลดลงในการปรับการถดถอย OLS แม้ว่าในทางปฏิบัติมักจะได้ผลดี แต่ก็ไม่มีเหตุผลทางทฤษฎีทั่วไปที่ระบุว่าฟังก์ชันเชิงเส้นที่มีข้อมูลมากที่สุดของตัวแปรทำนายควรอยู่ในส่วนประกอบหลักที่โดดเด่นของการกระจายแบบหลายตัวแปรของตัวแปรทำนายการถดถอยกำลังสองน้อยที่สุดบางส่วนเป็นส่วนขยายของวิธีการ PCR ซึ่งไม่มีข้อบกพร่องดังกล่าว
• การถดถอยมุมน้อยที่สุด^{[ 23 ]}เป็นขั้นตอนการประมาณค่าสำหรับแบบจำลองการถดถอยเชิงเส้นที่พัฒนาขึ้นเพื่อจัดการกับเวกเตอร์ตัวแปรอิสระที่มีมิติสูง ซึ่งอาจมีตัวแปรอิสระมากกว่าจำนวนการสังเกต
• ตัวประมาณค่า Theil –Senเป็น เทคนิค การประมาณค่าที่แข็งแกร่งและเรียบ ง่าย ซึ่งเลือกความชันของเส้นที่เหมาะสมให้เป็นค่ามัธยฐานของความชันของเส้นที่ลากผ่านคู่ของจุดตัวอย่าง มีคุณสมบัติประสิทธิภาพทางสถิติคล้ายกับการถดถอยเชิงเส้นแบบง่าย แต่มีความไวต่อค่าผิดปกติน้อย กว่ามาก ^{[ 24 ]}
• มีการนำเทคนิคการประมาณค่าที่แข็งแกร่งอื่นๆ มาใช้ รวมถึง วิธีการ เฉลี่ยแบบตัด αและตัวประมาณค่า L, M, S และ R

การวิเคราะห์การถดถอยเชิงเส้นถูกนำมาใช้กันอย่างแพร่หลายในวิทยาศาสตร์ชีวภาพ พฤติกรรมศาสตร์ และสังคมศาสตร์ เพื่ออธิบายความสัมพันธ์ที่เป็นไปได้ระหว่างตัวแปรต่างๆ จัดว่าเป็นหนึ่งในเครื่องมือที่สำคัญที่สุดที่ใช้ในสาขาวิชาเหล่านี้

เส้นแนวโน้มแสดงถึงแนวโน้ม การเคลื่อนไหวระยะยาวของ ข้อมูล อนุกรมเวลาหลังจากพิจารณาองค์ประกอบอื่นๆ แล้ว มันบอกว่าชุดข้อมูลเฉพาะ (เช่น GDP ราคาน้ำมัน หรือราคาหุ้น) เพิ่มขึ้นหรือลดลงในช่วงเวลาหนึ่ง เส้นแนวโน้มอาจลากด้วยสายตาผ่านชุดข้อมูล แต่ที่ถูกต้องกว่านั้นคือ ตำแหน่งและความชันของเส้นจะคำนวณโดยใช้เทคนิคทางสถิติ เช่น การถดถอยเชิงเส้น เส้นแนวโน้มโดยทั่วไปจะเป็นเส้นตรง แม้ว่าบางแบบอาจใช้พหุนามดีกรีสูงกว่า ขึ้นอยู่กับระดับความโค้งที่ต้องการในเส้นนั้น

เส้นแนวโน้มบางครั้งถูกนำมาใช้ในการวิเคราะห์ธุรกิจเพื่อแสดงการเปลี่ยนแปลงของข้อมูลเมื่อเวลาผ่านไป ข้อดีคือความเรียบง่าย เส้นแนวโน้มมักถูกใช้เพื่อแสดงให้เห็นว่าการกระทำหรือเหตุการณ์ใดเหตุการณ์หนึ่ง (เช่น การฝึกอบรม หรือแคมเปญโฆษณา) เป็นสาเหตุของการเปลี่ยนแปลงที่สังเกตได้ ณ จุดเวลาใดเวลาหนึ่ง นี่เป็นเทคนิคที่ง่ายและไม่จำเป็นต้องมีกลุ่มควบคุม การออกแบบการทดลอง หรือเทคนิคการวิเคราะห์ที่ซับซ้อน อย่างไรก็ตาม เทคนิคนี้มีข้อเสียคือขาดความถูกต้องทางวิทยาศาสตร์ในกรณีที่การเปลี่ยนแปลงอื่นๆ อาจส่งผลกระทบต่อข้อมูลได้

หลักฐานเบื้องต้นที่เชื่อมโยงการสูบบุหรี่กับอัตราการเสียชีวิตและการเจ็บป่วยมาจากการศึกษาเชิงสังเกตโดยใช้การวิเคราะห์การถดถอย เพื่อลดความสัมพันธ์ที่ผิดพลาดเมื่อวิเคราะห์ข้อมูลเชิงสังเกต นักวิจัยมักจะรวมตัวแปรหลายตัวไว้ในแบบจำลองการถดถอย นอกเหนือจากตัวแปรหลักที่สนใจ ตัวอย่างเช่น ในแบบจำลองการถดถอยที่การสูบบุหรี่เป็นตัวแปรอิสระหลักที่สนใจ และตัวแปรตามคืออายุขัยที่วัดเป็นปี นักวิจัยอาจรวมการศึกษาและรายได้เป็นตัวแปรอิสระเพิ่มเติม เพื่อให้แน่ใจว่าผลกระทบที่สังเกตได้ของการสูบบุหรี่ต่ออายุขัยไม่ได้เกิดจากปัจจัยทางเศรษฐกิจและสังคม อื่นๆ เหล่านั้น อย่างไรก็ตาม เป็นไปไม่ได้ที่จะรวม ตัวแปรแทรกซ้อน ที่ เป็นไปได้ทั้งหมด ในการวิเคราะห์เชิงประจักษ์ ตัวอย่างเช่น ยีนสมมติอาจเพิ่มอัตราการเสียชีวิตและทำให้คนสูบบุหรี่มากขึ้นด้วย ด้วยเหตุนี้การทดลองแบบสุ่มที่มีกลุ่มควบคุมจึงมักสร้างหลักฐานที่น่าเชื่อถือมากกว่าเกี่ยวกับความสัมพันธ์เชิงสาเหตุได้มากกว่าที่ได้จากการวิเคราะห์การถดถอยของข้อมูลเชิงสังเกต เมื่อการทดลองแบบควบคุมไม่สามารถทำได้ อาจใช้ การวิเคราะห์การถดถอยแบบต่างๆ เช่น การถดถอย ตัวแปรเครื่องมือ เพื่อพยายามประมาณความสัมพันธ์เชิงสาเหตุจากข้อมูลจากการสังเกต

แบบจำลองการกำหนดราคาหลักทรัพย์ (CAPM)ใช้การถดถอยเชิงเส้นและแนวคิดของค่าเบต้าในการวิเคราะห์และวัดปริมาณความเสี่ยงเชิงระบบของการลงทุน ซึ่งได้มาจากสัมประสิทธิ์เบต้าของแบบจำลองการถดถอยเชิงเส้นที่เชื่อมโยงผลตอบแทนจากการลงทุนกับผลตอบแทนจากสินทรัพย์ที่มีความเสี่ยงทั้งหมด

การถดถอยเชิงเส้นเป็นเครื่องมือเชิงประจักษ์ที่โดดเด่นในทางเศรษฐศาสตร์ตัวอย่างเช่น ใช้ในการทำนายการใช้จ่ายเพื่อการบริโภค^{[ 25} ] ^{การใช้} จ่ายเพื่อ การลงทุนในสินทรัพย์ ถาวร การลงทุนในสินค้าคงคลัง การซื้อ สินค้าส่งออกของประเทศ^{[ 26 ]}การใช้จ่ายในการนำเข้า [ ^{26 ] ความ}ต้องการถือครองสินทรัพย์สภาพคล่อง [ ^{27 ] ความ}ต้องการแรงงาน^{[ 28 ]}และอุปทานแรงงาน^{[ 28 ]}

การถดถอยเชิงเส้นมีการประยุกต์ใช้ในวิทยาศาสตร์สิ่งแวดล้อมหลากหลายด้าน เช่น การ ^ใช้ที่ดิน [ ^{29 ]}โรคติดเชื้อ [ ^{30 ]}และมลพิษทางอากาศ [ ^{31 ] ตัวอย่าง}เช่น การถดถอยเชิงเส้นสามารถใช้เพื่อทำนายผลกระทบที่เปลี่ยนแปลงไปของมลพิษจากรถยนต์^{[ 32 ] ตัวอย่าง}ที่โดดเด่นของการประยุกต์ใช้ในด้านโรคติดเชื้อคือ กลยุทธ์การ ทำให้เส้นโค้งแบนราบซึ่งเน้นในช่วงเริ่มต้นของการระบาดของ COVID-19 ซึ่งเจ้าหน้าที่สาธารณสุขต้องรับมือกับข้อมูลที่กระจัดกระจายเกี่ยวกับผู้ติดเชื้อและแบบจำลองการแพร่กระจายของโรคที่ซับซ้อนเพื่ออธิบายการแพร่กระจายของ COVID-19 ^{[ 33 ]}

การถดถอยเชิงเส้นมักใช้ใน การศึกษาภาคสนามด้าน วิทยาศาสตร์อาคารเพื่อหาลักษณะเฉพาะของผู้พักอาศัยในอาคาร ใน การศึกษาภาคสนามด้าน ความสบายทางความร้อนนักวิทยาศาสตร์อาคารมักจะสอบถามความรู้สึกทางความร้อนของผู้พักอาศัย ซึ่งมีค่าตั้งแต่ -3 (รู้สึกหนาว) ถึง 0 (เป็นกลาง) ถึง +3 (รู้สึกร้อน) และวัดข้อมูลอุณหภูมิโดยรอบของผู้พักอาศัย อุณหภูมิที่เป็นกลางหรืออุณหภูมิที่สบายสามารถคำนวณได้จากการถดถอยเชิงเส้นระหว่างความรู้สึกทางความร้อนและอุณหภูมิภายในอาคาร โดยกำหนดให้ความรู้สึกทางความร้อนเป็นศูนย์ อย่างไรก็ตาม มีการถกเถียงกันเกี่ยวกับทิศทางการถดถอย: การถดถอยความรู้สึกทางความร้อน (แกน y) เทียบกับอุณหภูมิภายในอาคาร (แกน x) หรือในทางกลับกัน: การถดถอยอุณหภูมิภายในอาคาร (แกน y) เทียบกับความรู้สึกทางความร้อน (แกน x) ^{[ 34 ]}

การถดถอยเชิงเส้นมีบทบาทสำคัญในสาขาย่อยของปัญญาประดิษฐ์ที่เรียกว่าการเรียนรู้ของเครื่อง อั ลกอริทึม การถดถอยเชิงเส้นเป็นหนึ่งในอัลก อริทึม การเรียนรู้ของเครื่องแบบมีผู้กำกับดูแล ขั้นพื้นฐาน เนื่องจากมีความเรียบง่ายและคุณสมบัติที่เป็นที่รู้จักกันดี^{[ 35 ]}

ไอแซค นิวตันได้รับการยกย่องว่าเป็นผู้คิดค้น "เทคนิคบางอย่างที่รู้จักกันในปัจจุบันว่าการวิเคราะห์การถดถอยเชิงเส้น " ในงานของเขาเกี่ยวกับวิษุวัตในปี ค.ศ. 1700 และได้เขียนสมการปกติข้อแรกจากสองสมการของวิธี การ กำลังสองน้อยที่สุดแบบธรรมดา^{[ 36 ] [ 37 ]}การถดถอยเชิงเส้นกำลังสองน้อยที่สุด ซึ่งเป็นวิธีการหาความเหมาะสมเชิงเส้นคร่าวๆ ที่ดีสำหรับชุดจุดต่างๆ นั้น ดำเนินการโดยเลอจองเดอร์ (1805) และเกาส์ (1809) เพื่อทำนายการเคลื่อนที่ของดาวเคราะห์เควเตเลต์เป็นผู้รับผิดชอบในการทำให้กระบวนการนี้เป็นที่รู้จักและนำไปใช้อย่างกว้างขวางในสังคมศาสตร์^{[ 38 ]}

• Pedhazur, Elazar J (1982). การวิเคราะห์การถดถอยพหุตัวแปรในการวิจัยพฤติกรรม: คำอธิบายและการทำนาย (ฉบับที่ 2). นิวยอร์ก: Holt, Rinehart and Winston. ISBN 978-0-03-041760-3.
• Mathieu Rouaud, 2013: ความน่าจะเป็น สถิติ และการประมาณค่าบทที่ 2: การถดถอยเชิงเส้น การถดถอยเชิงเส้นพร้อมแถบแสดงความคลาดเคลื่อน และการถดถอยแบบไม่เชิงเส้น
• ห้องปฏิบัติการฟิสิกส์แห่งชาติ (1961). "บทที่ 1: สมการเชิงเส้นและเมทริกซ์: วิธีตรง". วิธีการคำนวณสมัยใหม่ . บันทึกเกี่ยวกับวิทยาศาสตร์ประยุกต์. เล่มที่ 16 (ฉบับที่ 2). สำนักงานสิ่งพิมพ์ของสมเด็จพระราชินีนาถ .

Wikiversity มีแหล่งข้อมูลการเรียนรู้เกี่ยวกับสมการถดถอยเชิงเส้น

เว็บไซต์ Wikibook R Programmingมีหน้าเว็บที่กล่าวถึงหัวข้อ: แบบจำลองเชิงเส้น

วิกิมีเดียคอมมอนส์มีสื่อที่เกี่ยวข้องกับการถดถอยเชิงเส้น

• การถดถอยกำลังสองน้อยที่สุด , การจำลองแบบเชิงโต้ตอบ PhET , มหาวิทยาลัยโคโลราโดที่โบลเดอร์
• DIY การติดตั้งเชิงเส้น