ربما يكون تحليل الانحدار هو الأسلوب الإحصائي الأكثر استخدامًا للتحقيق أو تقدير العلاقة بين التابع ومجموعة من المتغيرات التفسيرية المستقلة.
يتم استخدامه أيضًا كمصطلح شامل لمجموعة متنوعة من تقنيات تحليل البيانات التي يتم استخدامها في طريقة البحث النوعي لنمذجة وتحليل العديد من المتغيرات. في طريقة الانحدار ، المتغير التابع هو متنبئ أو عنصر توضيحي والمتغير التابع هو النتيجة أو الاستجابة لاستعلام معين.
تحليل الانحدار: التعريف
غالبًا ما يستخدم تحليل الانحدار لنمذجة البيانات أو تحليلها. يستخدمه غالبية محللي المسح لفهم العلاقة بين المتغيرات ، والتي يمكن استخدامها بشكل أكبر للتنبؤ بالنتيجة الدقيقة.
على سبيل المثال – لنفترض أن شركة مشروبات غازية تريد توسيع وحدتها التصنيعية إلى موقع جديد. قبل المضي قدما تريد الشركة تحليل نموذج توليد الإيرادات الخاص بها والعوامل المختلفة التي قد تؤثر عليه. ومن ثم ، تقوم الشركة بإجراء استطلاع عبر الإنترنت مع استبيان محدد.
بعد استخدام تحليل الانحدار ، يصبح من السهل على الشركة تحليل نتائج المسح وفهم العلاقة بين المتغيرات المختلفة مثل الكهرباء والإيرادات – هنا الإيرادات هي المتغير التابع. بالإضافة إلى ذلك ، فإن فهم العلاقة بين المتغيرات المستقلة المختلفة مثل التسعير وعدد العمال والخدمات اللوجستية مع الإيرادات يساعد الشركة على تقدير تأثير العوامل المتنوعة على مبيعات الشركة وأرباحها.
غالبًا ما يستخدم باحثو المسح هذه التقنية لفحص وإيجاد علاقة بين المتغيرات المختلفة ذات الأهمية. أنه يوفر فرصة لقياس تأثير المتغيرات المستقلة المختلفة على متغير تابع. بشكل عام ، يعد تحليل الانحدار تقنية توفر جهودًا إضافية لباحثي المسح في ترتيب العديد من المتغيرات المستقلة في الجداول واختبار أو حساب تأثيرها على متغير تابع. تستخدم أنواع مختلفة من الأساليب التحليلية على نطاق واسع لتقييم الجديد أفكار تجارية واتخاذ قرارات مستنيرة.
أنواع تحليل الانحدار
يبدأ الباحثون عادة بتعلم الانحدار الخطي واللوجستي أولاً. نظرًا للمعرفة الواسعة بهاتين الطريقتين وسهولة التطبيق ، يعتقد الكثير من المحللين أن هناك نوعين فقط من النماذج. كل نموذج له تخصصه وقدرته على الأداء إذا تم استيفاء شروط معينة. تشرح هذه المدونة الأنواع السبعة شائعة الاستخدام لطرق تحليل الانحدار التي يمكن استخدامها لتفسير كمية البيانات العديدة في مجموعة متنوعة من التنسيقات.
تحليل الانحدار الخطي
إنها واحدة من أكثر تقنيات النمذجة المعروفة على نطاق واسع ، لأنها من بين أول أساليب تحليل الانحدار النخبة التي اختارها الناس في وقت تعلم النمذجة التنبؤية. هنا ، المتغير التابع هو مستمر والمتغير المستقل غالبًا ما يكون مستمرًا أو متحفظًا بخط انحدار خطي.
يرجى ملاحظة أنه في الانحدار الخطي المتعدد يوجد أكثر من متغير مستقل وفي الانحدار الخطي البسيط ، يوجد متغير مستقل واحد فقط. وبالتالي ، من الأفضل استخدام الانحدار الخطي فقط عندما تكون هناك علاقة خطية بين المتغير المستقل والمتغير التابع
مثال: يمكن أن يستخدم النشاط التجاري الانحدار الخطي لقياس فعالية الحملات التسويقية والتسعير والعروض الترويجية على مبيعات المنتج. لنفترض أن شركة تبيع معدات رياضية تريد أن تفهم ما إذا كانت الأموال التي استثمرتها في التسويق والعلامات التجارية لمنتجاتها قد أعطتها عائدًا كبيرًا أم لا. الانحدار الخطي هو أفضل طريقة إحصائية لتفسير النتائج. أفضل شيء في الانحدار الخطي هو أنه يساعد أيضًا في تحليل التأثير الغامض لكل نشاط تسويقي وعلامة تجارية ، مع التحكم في قدرة المكون على تنظيم المبيعات. إذا كانت الشركة تدير حملتين إعلانيتين أو أكثر في نفس الوقت ؛ كما لو كان واحدًا على التلفزيون واثنان على الراديو ، يمكن للانحدار الخطي بسهولة تحليل التأثير المستقل وكذلك التأثير المشترك لتشغيل هذه الإعلانات معًا.
تحليل الانحدار اللوجستي
يستخدم الانحدار اللوجستي بشكل شائع لتحديد احتمالية الحدث = النجاح والحدث = الفشل. عندما يكون المتغير التابع ثنائيًا مثل 0/1 ، يتم استخدام صحيح / خطأ ، نعم / لا الانحدار اللوجستي. وبالتالي ، يمكن القول أن الانحدار اللوجستي يستخدم لتحليل أي من الأسئلة المغلقة في استطلاع أو الأسئلة التي تتطلب استجابة رقمية في الاستطلاع.
يرجى ملاحظة أن الانحدار اللوجستي لا يحتاج إلى علاقة خطية بين متغير تابع ومستقل مثل الانحدار الخطي. يطبق الانحدار اللوجستي تحويل سجل غير خطي للتنبؤ بنسبة الاحتمالات ؛ لذلك ، فإنه يتعامل بسهولة مع أنواع مختلفة من العلاقات بين متغير تابع ومستقل.
مثال: يستخدم الانحدار اللوجستي على نطاق واسع لتحليل البيانات الفئوية ، خاصة لبيانات الاستجابة الثنائية في نمذجة بيانات الأعمال. غالبًا ما يتم استخدام الانحدار اللوجستي عندما يكون المتغير التابع قاطعًا مثل التنبؤ بما إذا كانت المطالبة الصحية التي يقدمها شخص ما حقيقية (1) أو احتيالية ، لفهم ما إذا كان الورم خبيثًا (1) أم لا. تستخدم الشركات الانحدار اللوجستي للتنبؤ بما إذا كان المستهلكون في فئة ديموغرافية معينة سيشترون منتجهم أو سيشترون من المنافسين بناءً على العمر والدخل والجنس والعرق وحالة الإقامة والشراء السابق وما إلى ذلك.
تحليل الانحدار متعدد الحدود
يستخدم الانحدار متعدد الحدود بشكل شائع لتحليل البيانات المنحنية وهذا يحدث عندما تكون قوة المتغير المستقل أكثر من 1. في طريقة تحليل الانحدار هذه ، لا يكون أفضل خط ملائم أبدًا هو “الخط المستقيم” ولكن دائمًا ما يكون “خط المنحنى” مناسبًا لنقاط البيانات.
يرجى ملاحظة أنه من الأفضل استخدام الانحدار متعدد الحدود عندما يكون لبعض المتغيرات أسس وقليل منها لا يحتوي على أي منها. بالإضافة إلى ذلك ، يمكنه نمذجة البيانات غير القابلة للفصل خطيًا مما يوفر الحرية في اختيار الأس الدقيق لكل متغير وذلك أيضًا مع التحكم الكامل في ميزات النمذجة المتاحة.
مثال: يعتبر الانحدار متعدد الحدود عندما يقترن بتحليل سطح الاستجابة نهجًا إحصائيًا متطورًا يشيع استخدامه في أبحاث التغذية الراجعة متعددة المصادر. يستخدم الانحدار متعدد الحدود في الغالب في الصناعات المتعلقة بالتمويل والتأمين حيث تكون العلاقة بين المتغير التابع والمستقل منحنيًا. لنفترض أن شخصًا ما يريد تخطيط الميزانية من خلال تحديد مقدار الوقت الذي سيستغرقه لكسب مبلغ محدد من المال. الانحدار متعدد الحدود من خلال الأخذ في الاعتبار دخله / دخلها والتنبؤ بالنفقات يمكن أن يحدد بسهولة الوقت الدقيق الذي يحتاجه / تحتاج إلى العمل لكسب هذا المبلغ المحدد.
تحليل الانحدار التدريجي
هذه عملية شبه آلية يتم من خلالها بناء نموذج إحصائي إما عن طريق إضافة أو إزالة المتغيرات التي تعتمد على إحصائيات t لمعاملاتها المقدرة. إذا تم استخدامه بشكل صحيح ، فسوف يوفر لك الانحدار التدريجي بيانات أكثر قوة في متناول يدك أكثر من أي طريقة أخرى. إنه يعمل بشكل جيد عندما تعمل مع عدد كبير من المتغيرات المستقلة. إنها تقوم فقط بضبط نموذج التحليل عن طريق ضغط المتغيرات بشكل عشوائي. يوصى باستخدام تحليل الانحدار التدريجي عندما يكون هناك متغيرات مستقلة متعددة ، حيث يتم اختيار المتغيرات المستقلة تلقائيًا دون تدخل بشري.
يرجى ملاحظة ، في نمذجة الانحدار التدريجي ، يتم إضافة المتغير أو طرحه من مجموعة المتغيرات التوضيحية . يتم اختيار مجموعة المتغيرات التي تمت إضافتها أو إزالتها بناءً على إحصائيات الاختبار الخاصة بالمعامل المقدر.
مثال: لنفترض أن لديك مجموعة من المتغيرات المستقلة مثل العمر والوزن ومساحة سطح الجسم ومدة ارتفاع ضغط الدم والنبض الأساسي ومؤشر الإجهاد بناءً على ما تريد تحليل تأثيره على ضغط الدم. في الانحدار التدريجي ، يتم اختيار أفضل مجموعة فرعية من المتغير المستقل تلقائيًا ، إما أن تبدأ باختيار عدم وجود متغير للمضي قدمًا (حيث يضيف متغيرًا واحدًا في كل مرة) أو يبدأ بجميع المتغيرات في النموذج ويستمر للخلف (يزيل متغيرًا واحدًا في الوقت). وهكذا ، باستخدام تحليل الانحدار ، يمكنك حساب تأثير كل أو مجموعة من المتغيرات على ضغط الدم.
تحليل انحدار ريدج
يعتمد انحدار ريدج على طريقة المربعات الصغرى العادية التي تُستخدم لتحليل بيانات الخطية المتعددة (البيانات التي تكون فيها المتغيرات المستقلة شديدة الترابط). يمكن تفسير العلاقة الخطية المتداخلة كعلاقة شبه خطية بين المتغيرات. عندما يكون هناك علاقة خطية متعددة ، ستكون تقديرات المربعات الصغرى غير متحيزة ؛ ولكن إذا كان الفرق بينهما أكبر ، فقد يكون بعيدًا عن القيمة الحقيقية. ومع ذلك ، فإن انحدار التلال يلغي الأخطاء المعيارية من خلال إلحاق درجة معينة من التحيز بتقديرات الانحدار بدافع لتقديم تقديرات أكثر موثوقية.
يرجى ملاحظة أن الافتراضات المشتقة من خلال انحدار التلال تشبه أقل انحدار التربيعي ، والفرق الوحيد هو الوضع الطبيعي. على الرغم من أن قيمة المعامل مقيدة في انحدار التلال ، فإنها لا تصل أبدًا إلى الصفر مما يشير إلى عدم القدرة على اختيار المتغيرات.
مثال: لنفترض أنك مجنون بشأن قيام اثنين من عازفي الجيتار بأداء مباشر في حدث قريب منك وتذهب لمشاهدة أدائهم بدافع لمعرفة من هو أفضل عازف جيتار. ولكن عندما يبدأ الأداء ، ستلاحظ أن كلاهما يعزف نغمات باللونين الأسود والأزرق في نفس الوقت. هل من الممكن اكتشاف أفضل عازف جيتار له التأثير الأكبر على الصوت بينهم عندما يعزفون بصوت عالٍ وسريع؟ نظرًا لأن كلاهما يعزف نغمات مختلفة ، فمن الصعب جدًا التمييز بينهما ، مما يجعله أفضل حالة للخطوات المتعددة الخطية ، والتي بدورها تميل إلى زيادة الأخطاء المعيارية للمعاملات. يعالج انحدار ريدج العلاقات الخطية المتعددة في مثل هذه الحالات ويتضمن التحيز أو تقدير الانكماش لاستخلاص النتائج.
تحليل انحدار اللاسو
Lasso (أقل انكماش مطلق وعامل اختيار) مشابه لانحدار التلال. ومع ذلك ، فإنه يستخدم تحيز القيمة المطلقة بدلاً من التحيز التربيعي المستخدم في انحدار التلال. تم تطويره في عام 1989 كبديل لتقدير المربعات الصغرى التقليدية بهدف استنتاج غالبية المشكلات المتعلقة بالتركيب الزائد عندما تحتوي البيانات على عدد كبير من المتغيرات المستقلة. يتمتع اللاسو بالقدرة على أداء كل من – اختيار المتغيرات وتنظيمها إلى جانب حد ضعيف. من خلال تطبيق انحدار lasso ، يصبح من الأسهل اشتقاق مجموعة فرعية من المتنبئين بحيث يمكن تقليل أخطاء التنبؤ أثناء تحليل الاستجابة الكمية.
يرجى ملاحظة أنه في نموذج lasso ، يتم استبعاد معامل الانحدار الذي يصل إلى القيمة الصفرية بعد الانكماش من النموذج. على العكس من ذلك ، ترتبط معاملات الانحدار التي لها قيمة أكبر من الصفر ارتباطًا وثيقًا بمتغيرات الاستجابة حيث يمكن أن تكون المتغيرات التوضيحية إما كمية أو فئوية أو كليهما.
مثال: لنفترض أن شركة سيارات تريد إجراء تحليل بحثي حول متوسط استهلاك الوقود للسيارات في الولايات المتحدة. بالنسبة للعينات ، اختاروا 32 طرازًا من السيارات و 10 ميزات لتصميم السيارات – عدد الأسطوانات ، والإزاحة ، وإجمالي القدرة الحصانية ، ونسبة المحور الخلفي ، والوزن ، ووقت الميل ، ومحرك v / s ، وناقل الحركة ، وعدد التروس ، وعدد المكربن . كما ترى ، فإن الارتباط بين متغير الاستجابة mpg (ميل لكل جالون) يرتبط ارتباطًا وثيقًا ببعض المتغيرات مثل الوزن والإزاحة وعدد الأسطوانات والقدرة الحصانية. يمكن تحليل المشكلة من خلال الاستفادة من حزمة glmnet في R واستخدام انحدار lasso لاختيار الميزة.
تحليل الانحدار الصافي المرن
إنه مزيج من نماذج الانحدار من التلال والحبل المدربة على معيار L1 و L2. تحقق الشبكة المرنة تأثيرًا تجميعيًا حيث تميل المتنبئون المترابطون بشدة إلى أن يكونوا داخل / خارج النموذج معًا. يوصى باستخدام نموذج انحدار الشبكة المرنة عندما يكون عدد المتنبئين أكبر بكثير من عدد المشاهدات.
يرجى ملاحظة أن نموذج الانحدار الشبكي المرن ظهر كخيار لنموذج انحدار lasso حيث كان القسم المتغير lasso يعتمد كثيرًا على البيانات ، مما يجعله غير مستقر. باستخدام الانحدار الشبكي المرن ، أصبح الإحصائيون قادرين على تجاوز عقوبات الانحدار الحرفي والتلال فقط للحصول على أفضل النتائج من كلا النموذجين.
مثال: كان فريق البحث السريري الذي لديه إمكانية الوصول إلى مجموعة بيانات المصفوفة الدقيقة عن سرطان الدم (LEU) مهتمًا ببناء قاعدة تشخيصية ، بناءً على مستوى التعبير لعينات الجينات المقدمة للتنبؤ بنوع اللوكيميا. تتكون مجموعة البيانات التي لديهم من عدد كبير من الجينات وبعض العينات. بصرف النظر عن ذلك ، تم إعطاؤهم مجموعة محددة من العينات لاستخدامها كعينات تدريبية ، أصيب بعضها بسرطان الدم من النوع الأول (سرطان الدم الليمفاوي الحاد) والبعض الآخر مصاب بسرطان الدم من النوع الثاني (ابيضاض الدم النخاعي الحاد). تم تركيب نموذج وضبط اختيار المعلمة بواسطة سيرة ذاتية عشرة أضعاف على بيانات التدريب. ثم قارنوا أداء هاتين الطريقتين بحساب متوسط الخطأ التربيعي للتنبؤ على بيانات الاختبار للحصول على النتائج الضرورية.
استخدم في أبحاث السوق
يتم إجراء مسح بحثي للسوق مع التركيز على ثلاث مصفوفات رئيسية ؛ رضا العملاءولاء العملاء ومناصرة العملاء. تذكر ، على الرغم من أن هذه المصفوفات تخبرنا عن صحة العملاء ونواياهم ، إلا أنهم فشلوا في إخبارنا بطرق تحسين الموقف. لذلك ، فإن استبيان استقصائي متعمق يهدف إلى سؤال المستهلكين عن سبب عدم رضاهم هو بالتأكيد طريقة لاكتساب رؤى عملية.
ومع ذلك ، فقد وجد أن الناس غالبًا ما يكافحون لإظهار دوافعهم أو تثبيطهم أو وصف رضاهم أو عدم رضاهم. بالإضافة إلى ذلك ، يعطي الناس دائمًا أهمية غير ضرورية لبعض العوامل المنطقية ، مثل السعر والتعبئة والتغليف وما إلى ذلك. بشكل عام ، تعمل كأداة تنبؤية للتحليل والتنبؤ في أبحاث السوق.
عند استخدامها كأداة للتنبؤ ، يمكن استخدام تحليل الانحدار لتحديد أرقام مبيعات المؤسسة من خلال مراعاة بيانات السوق الخارجية. تُجري شركة متعددة الجنسيات دراسة استقصائية لأبحاث السوق لفهم تأثير العوامل المختلفة مثل الناتج المحلي الإجمالي (الناتج المحلي الإجمالي) و CPI (مؤشر أسعار المستهلك) وعوامل أخرى مماثلة على نموذج توليد الإيرادات الخاص بها. من الواضح أنه تم استخدام تحليل الانحدار في الاعتبار مع مؤشرات التسويق المتوقعة للتنبؤ بالإيرادات المؤقتة التي سيتم توليدها في الأرباع المستقبلية وحتى في السنوات المقبلة. ومع ذلك ، فكلما تقدمت في المستقبل ، ستصبح البيانات غير موثوقة بشكل أكبر مما يترك هامشًا كبيرًا من الخطأ.
مثال: أرادت شركة لتنقية المياه فهم العوامل التي تؤدي إلى تفضيل العلامة التجارية. كان الاستطلاع هو أفضل وسيلة للوصول إلى العملاء الحاليين والمحتملين. تم التخطيط لمسح المستهلكين على نطاق واسع وتم إعداد استبيان سري باستخدام أفضل أداة مسح . تم طرح عدد من الأسئلة المتعلقة بالعلامة التجارية والتفضيل والرضا وعدم الرضا المحتمل بشكل فعال في الاستطلاع. بعد الحصول على أفضل الردود على الاستبيان ، تم استخدام تحليل الانحدار لتضييق نطاق العوامل العشرة الأولى المسؤولة عن زيادة تفضيل العلامة التجارية. أبرزت جميع السمات العشر المشتقة (المذكورة في الصورة أدناه) بطريقة أو بأخرى أهميتها في التأثير على تفضيل تلك العلامة التجارية المحددة لأجهزة تنقية المياه.
كيف يستمد تحليل الانحدار الرؤى من الاستطلاعات
من السهل إجراء تحليل الانحدار باستخدام Excel أو SPSS ، ولكن أثناء القيام بذلك ، يجب فهم أهمية أربعة أرقام في تفسير البيانات.
أول رقمين من الأرقام الأربعة يرتبطان بشكل مباشر بنموذج الانحدار نفسه.
قيمة F: تساعد في قياس الدلالة الإحصائية لنموذج المسح. تذكر أن قيمة F التي تقل كثيرًا عن 0.05 تعتبر ذات مغزى أكبر. يضمن أقل من 0.05 F-Value أن ناتج تحليل المسح ليس مصادفة.
- R-Squared: هي القيمة التي يحاول فيها المتغير المستقل شرح مقدار الحركة بواسطة متغير تابع. ضع في اعتبارك أن قيمة R-Squared هي 0.7 ، وهذا يعني أنه يمكن تفسير 70 ٪ من حركة المتغير التابع بواسطة متغير مستقل تم اختباره. هذا يعني أن مخرجات تحليل المسح التي سنحصل عليها ذات طبيعة تنبؤية للغاية ويمكن اعتبارها دقيقة.
الرقمان الآخران يتعلقان بكل من المتغيرات المستقلة أثناء تفسير تحليل الانحدار.
- P-Value: تمامًا مثل F-Value ، حتى P-Value لها أهمية إحصائية كبيرة. علاوة على ذلك ، هنا يشير إلى مدى صلة ودلالة إحصائية بتأثير المتغير المستقل. مرة أخرى ، نبحث عن قيمة أقل من 0.05.
- الرقم الرابع يتعلق بالمعامل المحقق بعد قياس تأثير المتغيرات. على سبيل المثال ، نقوم باختبار العديد من المتغيرات المستقلة للحصول على معامل يخبرنا ، “بأي قيمة من المتوقع أن يزداد المتغير التابع عندما تزداد المتغيرات المستقلة (التي ندرسها) بمقدار واحد عندما تكون جميع المتغيرات المستقلة الأخرى ثابتة عند نفس القيمة . في حالات قليلة ، يتم استبدال المعامل البسيط بمعامل معياري يوضح مساهمة كل متغير مستقل في التحرك أو إحداث تغيير في المتغير التابع.
مزايا استخدام تحليل الانحدار في استطلاع عبر الإنترنت
احصل على الوصول إلى التحليلات التنبؤية:
هل تعلم أن استخدام تحليل الانحدار لفهم نتيجة مسح الأعمال يشبه امتلاك القدرة على الكشف عن الفرص والمخاطر المستقبلية؟
على سبيل المثال ، بعد مشاهدة فتحة إعلان تلفزيوني معينة ، يمكننا توقع العدد الدقيق للشركات التي تستخدم تلك البيانات لتقدير الحد الأقصى لعرض التسعير لتلك الفترة. تعتمد صناعة التمويل والتأمين بشكل عام إلى حد كبير على تحليل الانحدار لبيانات المسح لتحديد الاتجاهات والفرص لتخطيط واتخاذ قرارات أكثر دقة.
تعزيز الكفاءة التشغيلية:
هل تعلم أن الشركات تستخدم تحليل الانحدار لتحسين عملياتها التجارية؟
على سبيل المثال ، قبل إطلاق خط إنتاج جديد ، تقوم الشركات بإجراء مسح للمستهلكين بهدف فهم تأثير العوامل المختلفة بشكل أفضل على إنتاج هذا المنتج وتعبئته وتوزيعه واستهلاكه. يساعد التبصر القائم على البيانات في القضاء على التخمين والفرضية والسياسة الداخلية من عملية صنع القرار. يؤدي الفهم الأعمق للمجالات التي تؤثر على الكفاءات التشغيلية والإيرادات إلى تحسين الأعمال بشكل أفضل.
الدعم الكمي لصنع القرار:
تولد استطلاعات الأعمال اليوم الكثير من البيانات المتعلقة بالتمويل والإيرادات والتشغيل والمشتريات وما إلى ذلك ، ويعتمد أصحاب الأعمال بشكل كبير على نماذج تحليل البيانات المختلفة لاتخاذ قرارات عمل مستنيرة.
على سبيل المثال ، يساعد تحليل الانحدار المؤسسات على اتخاذ قرارات استراتيجية مستنيرة بشأن القوى العاملة. من خلال إجراء وتفسير نتائج استقصاء الموظفين مثل مسح مشاركة الموظفين ، واستقصاء رضا الموظفين ، واستقصاء تحسين صاحب العمل ، ومسح خروج الموظف ، وما إلى ذلك ، يعزز فهم العلاقة بين الموظف والمؤسسة. كما أنه يساعد في الحصول على فكرة عادلة عن بعض القضايا التي لها القدرة على التأثير على ثقافة العمل وبيئة العمل وإنتاجية المنظمة. علاوة على ذلك ، من خلال التفسيرات الذكية الموجهة للأعمال ، فإنه يقلل من الكومة الضخمة من البيانات الخام إلى معلومات قابلة للتنفيذ لاتخاذ قرار أكثر استنارة.
منع حدوث الأخطاء بسبب الحدس:
من خلال معرفة كيفية استخدام تحليل الانحدار لتفسير نتائج الاستطلاع ، يمكن للمرء بسهولة تقديم دعم واقعي للإدارة لاتخاذ قرارات مستنيرة. ؛ ولكن هل تعلم أنها تساعد أيضًا في إبعاد العيوب في الحكم؟
على سبيل المثال ، يعتقد مدير مركز تجاري أنه إذا قام بتمديد وقت إغلاق المركز التجاري ، فسيؤدي ذلك إلى زيادة المبيعات. يتعارض تحليل الانحدار مع هذا الاعتقاد من خلال التنبؤ بأن زيادة الإيرادات بسبب زيادة المبيعات لن تكون كافية لدعم نفقات التشغيل المتزايدة الناتجة عن ساعات العمل الأطول.