در صورت استفاده صحیح، گزینه رگرسیون گام به گام در Statgraphics (یا سایر بسته های آماری) قدرت و اطلاعات بیشتری نسبت به گزینه رگرسیون چندگانه معمولی در اختیار شما قرار می دهد. مفید برای غربال کردن تعداد زیادی از متغیرهای مستقل بالقوه و/یا تنظیم دقیق یک مدل با …
چرا از رگرسیون گام به گام استفاده می کنید؟
برخی از محققان از رگرسیون گام به گام برای هرس فهرستی از متغیرهای توضیحی معقول استفاده می کنند تا مجموعه ای مقرون به صرفه از «مفیدترین» متغیرها باشد. دیگران به معقول بودن توجه کمی دارند یا اصلاً توجهی ندارند. آنها به روش گام به گام اجازه می دهند متغیرهای خود را برای آنها انتخاب کند.
چرا محقق از رگرسیون چندگانه گام به گام استفاده کرد؟
رگرسیون گام به گام را می توان به عنوان ابزاری برای ایجاد فرضیه استفاده کرد که نشان می دهد چند متغیر ممکن است مفید باشد ، و متغیرهایی را که نامزدهای قوی برای مدل های پیش بینی هستند شناسایی می کند.
چرا رگرسیون گام به گام بحث برانگیز است؟
منتقدان این روش را به عنوان نمونه ای پارادایماتیک از لایروبی داده ها می دانند، محاسبات شدید اغلب جایگزین ناکافی برای تخصص در حوزه موضوعی است. علاوه بر این، نتایج رگرسیون گام به گام اغلب به اشتباه بدون تنظیم آنها برای وقوع انتخاب مدل استفاده می شود
مزیت انتخاب گام به گام در مقایسه با بهترین انتخاب زیر مجموعه چیست؟
Stepwise یک مدل واحد را به دست می دهد که می تواند ساده تر باشد. بهترین زیر مجموعه‌ها با گنجاندن مدل‌های بیشتر اطلاعات بیشتری را ارائه می‌دهند، اما انتخاب یکمی‌تواند پیچیده‌تر باشد. از آنجایی که بهترین زیرمجموعه همه مدل‌های ممکن را ارزیابی می‌کند، پردازش مدل‌های بزرگ ممکن است زمان زیادی طول بکشد.
