بازگشت
رگرسیون چندکی (Quantile Regression) چیست؟
آنچه می‌خوانید :
رگرسیون چندکی یا کوانتایل (Quantile Regression) ابزاری باارزش برای تحلیل رابطه بین متغیرهاست، به ویژه زمانی که دادهها به طور یکنواخت توزیع نشده اند یا مقادیر پرت وجود دارد. برخلاف رگرسیون خطی سنتی که فقط بر روی میانگین متمرکز است، رگرسیون چندکی به ما این امکان را میدهد تا نقاط مختلف در توزیع متغیر هدف را پیشبینی کنیم.
رگرسیون چندکی در علوم پزشکی کاربرد فراوان دارد و در تحقیقات متعددی در علوم پزشکی از این روش استفاده شده است. هدف اصلی از بکارگیری رگرسیون چندکی، ارائه مدلی است که امکان دخالت متغیرهای مستقل، نه تنها در مرکز داده ها ، بلکه در تمام قسمت های توزیع به ویژه در دنباله های ابتدایی و انتهایی را فراهم کند. در واقع بدون محدودیت ها و مفروضات رگرسیون خطی، مدلی را می توان ارائه کرد که نسبت به داده های پرت استوارتر بوده و حتی اگر فرض ناهمسانی واریانس ها نیز وجود داشته باشد، این مدل برآورد مناسبی از ضرایب رگرسیون را ارائه خواهد کرد. در رگرسیون خطی با مینیمم کردن مجموع مربعات باقیمانده ها برآورد پارامترها حصول می گردید. در حالی که در رگرسیون چندکی ، از مینیمم کردن نامتقارن قدر مطلق موزون باقیمانده ها برای برآورد پارامترهای مدل استفاده می شود.
چالشها:
- در مقایسه با رگرسیون خطی، رگرسیون چندکی به قدرت محاسباتی بیشتری نیاز دارد و ممکن است تفسیر نتایج آن برای غیرمتخصصان سختتر باشد.
- ممکن است به اندازههای نمونه بزرگتری برای دستیابی به تخمینهای پایدار و قابل اعتمادترِ چندکها نیاز باشد، به ویژه برای صدکهای ابتدایی و انتهایی.
- اگر به تکنیکهای رگرسیون سنتی عادت داشته باشید ممکن است نتایج مدل کمتر برایتان شهودی باشد که این امر میتواند سهولت ارتباط برقرار کردن شما با این مدل رگرسیونی را محدود کند.
مزایا:
- رگرسیون کوانتایل به کاوش روندها در کوانتایلهای مختلف کمک میکند و تصویر جزئیتری از دادههای شما ارائه میدهد.
- این روش برای دادههای غیرنرمال بسیار موثر و مفید است، به ویژه زمانی که مقادیر پرت یا دنباله های (دمهای) سنگین در دادهها وجود دارد.
- برای شرایطی که مقادیر منتهیالیه (ابتدا و انتهای طیف دادهها) یا صدکهای مختلف به همان اندازه روند مرکزی مهم هستند، ایدهآل است.
چگونه رگرسیون کوانتایل را در عمل انجام بدهیم:
R: از بسته quantreg برای انجام رگرسیون کوانتایل استفاده کنید. تابع rq() به شما این امکان را میدهد کوانتایلهای مورد علاقه خود را مشخص کنید.
Python: در این زبان برنامه نویسی،statsmodels رگرسیون کوانتایل را با تابع QuantReg() برای تجزیه و تحلیل صدکهای مختلف دادههای شما فراهم میکند.
شما میتوانید برای تحلیل داده های خود، مشاوره آماری با ما در تماس باشید.
https://dr-amirkasaeian.com/
