دانلود مقالات ISI درباره رگرسیون خطی چندگانه + ترجمه فارسی

رگرسیون خطی چندگانه (Multiple linear regression): رگرسیون ساده خطی یک ابزار آماری است که در آن به بررسی رابطه یک متغیر مستقل (پیش بین) و یک متغیر وابسته پرداخته می‌‌شود. حال اگر تعداد متغیرهای مستقل در این رابطه خطی بیش از یک عدد شود، مدل رگرسیون، خطی چندگانه نامیده می‌شود. معادله رگرسیون خطی ساده به شکل Y=AX+B و رگرسیون خطی چند گانه به صورت Y = a + b1X1 + b2X2 + … + bnXnمی‌باشد. رگرسیون چند خطی تعمیمی از رگرسیون خطی است با در نظر گرفتن بیش از یک متغیر مستقل و یک مورد خاص مدل‌های خطی عمومی تشکیل شده با محدود کردن تعداد متغیرهای وابسته به یک. . رگرسیون خطی ساده به پیش بینی مقدار یک متغیر وابسته بر اساس مقدار یک متغیر مستقل می پردازد. اما رگرسیون چند متغیره روشی است برای مشارکت جمعی و فردی دو یا چند متغیر مستقل در تغییرات یک متغیر وابسته. از آنجا که وظیفه اساسی علم، پیش بینی و تبیین پدیده هاست، بنابراین در تحقیقاتی که بر پیش بینی و تبیین ناظرند، تحلیل رگرسیون می تواند نقش بارزی ایفا کند. در تحقیقات پیش بینی عمدتاً کاربرد عملی مورد تأکید است. در این نوع تحقیقات، محقق می کوشد تا بر اساس اطلاع از یک یا چند متغیر مستقل، به یک معادله رگرسیونی دست یابد و از آن برای پیش بینی مقادیر متغیر وابسته استفاده نماید. در رگرسیون چندگانه، چند متغیر مستقل مدلی را می‌سازند که مقدار متغیر وابسته را پیش‌بینی می‌کنند. از آن جا که امکان دارد این متغیرهای مستقل با یکدیگر رابطه داشته باشند، همیشه این نگرانی وجود دارد که آیا مدل به دست آمده اعتبار دارد یا خیر. برای نمونه فرض کنید در یک مدل رگرسیون، سه متغیر وجود دارند. ممکن است تک تک متغیرهای مستقل با متغیر وابسته رابطه مثبتی داشته باشند ولی زمانی که این متغیرها با هم وارد مدل رگرسیون می شوند این امکان وجود دارد که به دلیل وجود رابطه بین متغیرهای مستقل، ضریب رگرسیون یک یا دو متغیر منفی محاسبه گردد و یا امکان دارد ضرایب رگرسیون اصلا معنی دار نشوند. اگر چه امکان دارد که در دنیای واقع، این مدل درست باشد ولی این نگرانی وجود دارد که ممکن است نتیجه برعکس بوده و ناشی از اشتباه در تحلیل آماری رقم خورده باشد. برای حل این مشکل، روش‌هایی برای وارد نمودن متغیرهای مستقل درون مدل رگرسیون ابداع شده اند.