Méthode d’analyse statistique utilisée en économie Qu’est-ce que la régression, comment se fait-elle ?

L’économie et les statistiques sont des sciences de détail qui méritent d’être examinées en détail en elles-mêmes. Ces deux disciplines ne sont en fait pas si différentes car elles se soutiennent mutuellement dans certaines méthodes de calcul. La régression est un excellent exemple de ce soutien. dans le domaine de l’économie variables dans un grand pool de données dans votre main. Vous pouvez découvrir ce qui se passera à la suite de leur relation les uns avec les autres en utilisant la méthode de régression statistique.

Bien sûr, avant de commencer, vous verrez les réponses de base à des questions telles que qu’est-ce que la régression et comment le faire, mais vous devez faire beaucoup plus de recherches pour savoir comment le faire exactement, car vous apprécierez qu’il existe des étudiants de premier cycle. programmes dont nous parlerons. Venez pour ceux qui ne connaissent pas pour avoir une idée de base sur le sujet qu’est-ce que la régression, qu’est-ce que l’analyse de régression, comment est-elle effectuée Examinons les questions fréquemment posées à travers des exemples.

Tout d’abord, qu’est-ce que la régression ?

Il dispose d’un vaste pool de données dans les domaines de la finance, de l’investissement, de l’économétrie et de disciplines similaires. le résultat de la relation entre plus d’une variable indépendante et une variable dépendante. La méthode statistique utilisée pour le révéler s’appelle la régression. Bien qu’une méthode dite linéaire soit le type de régression le plus courant, il existe de nombreux types de régression différents qui sont utilisés pour construire différents modèles.

Alors que fait la régression ?

L’objectif principal de l’utilisation de la méthode de régression est l’expérience entre les variables dans un grand pool de données. détecter la corrélation et, plus important encore, de mesurer si cette corrélation est statistiquement significative. En d’autres termes, la réponse à la question de savoir s’il existe une relation entre la régression et les variables, et s’il y en a, est-elle utile ?

Les analystes professionnels du monde de la finance et de l’investissement ont souvent recours à la méthode de régression. De la même façon analystes d’une entreprise Ils utilisent la méthode de régression pour prédire les ventes futures, en tenant compte des ventes précédentes et des conditions futures, et en ajoutant différentes variables à l’entreprise. La régression est également utilisée pour des transactions telles que la tarification des actifs et les coûts en capital.

Qu’est-ce que l’analyse de régression, qui fait partie de la méthode de régression ?

La régression est une méthode statistique qui révèle la relation entre les variables. l’analyse de régression est l’outil accepté dans le cadre de cette méthode. Pour le dire simplement, la régression est un terme général utilisé pour nommer cette méthode statistique, tandis que l’analyse de régression est utilisée pour appliquer cette méthode et la nommer après son application.

Les formules de régression les plus utilisées sont :

• Formule de régression linéaire : Y = a + bX + u
• Formule de régression linéaire multiple : Y = a + b1X1 + b2X2 + b3X3 + … + btXt + u

Nous avons dit qu’il y avait beaucoup plus de types, mais en général, les types de régression les plus utilisés puisqu’il est linéaire et multilinéaire C’est ainsi que sont les formules de régression les plus utilisées. Les symboles que vous voyez dans la formule signifient ce qui suit ;

• Y est la variable dépendante à estimer
• X, arguments
• a, constante d’équation
• b; coefficient bêta, pente de l’équation
• u, résidu de régression

Comment se fait la régression ? Regardons un exemple :

La méthode de régression est généralement basée sur le prix d’un bien, les taux d’intérêt et différents facteurs dans une industrie particulière. Il est utilisé pour voir les effets sur le prix du bien en question. Le modèle de tarification des matières premières est obtenu par analyse de régression. Les rendements d’un grand indice sont priorisés afin de calculer les rendements d’une action et de créer le coefficient bêta qui déterminera les rendements de cette action.

Lors de l’analyse de régression, le coefficient bêta exprime le risque de l’action sur le marché et considéré comme une pente dans le modèle d’établissement des prix des matières premières. Dans l’analyse de régression effectuée pour calculer le rendement de l’action, le rendement, c’est-à-dire la variable dépendante Y, est inclus dans l’équation en tant que risque de marché, c’est-à-dire la variable indépendante X.

Pour obtenir un résultat plus précis, la valeur marchande actuelle de l’action, les taux d’évaluation obtenus dans différentes analyses, Des données supplémentaires telles que les rendements finaux peuvent également être incluses dans le modèle. C’est ainsi qu’un modèle de régression linéaire multiple est créé avec des équations auxquelles des données supplémentaires sont ajoutées. Ce modèle est aussi appelé Fama – Français.

La relation entre régression et économétrie :

Il est utilisé pour analyser les données du référentiel dans le domaine de la finance, de l’investissement et de l’économie. Un ensemble de techniques statistiques est appelé économétrie. Avec l’économétrie, des effets tels que l’effet de revenu sont examinés à l’aide de données observables. Par exemple, avec cette technique, on peut prédire qu’à mesure que le revenu augmente, les dépenses augmentent également.

Si une relation est prédite entre le revenu et la consommation, comme dans l’exemple, cette prédiction est pour déterminer l’importance une analyse de régression est effectuée. Quelques variables explicatives doivent être ajoutées lors de l’exécution de l’analyse de régression. En ajoutant ces variables, un modèle de régression linéaire multiple est créé, qui est l’outil le plus utilisé en économétrie.

L’économétrie est parfois critiquée en raison des résultats de l’analyse de régression. sans rapport avec une théorie économique ou s’appuyer sur des mécanismes de causalité sans établir de lien. Bien sûr, cette critique peut parfois être justifiée, mais il est extrêmement important que même les données simples obtenues à la suite de l’analyse soient explicatives sans théorie particulière.

Examinons brièvement les types de régressions :

• La régression linéaire est un modèle composé de toutes les variables linéaires.
• La régression linéaire pas à pas est un modèle dans lequel plusieurs variables indépendantes sont utilisées.
• La régression polynomiale modélise les variables de manière non linéaire.
• La régression logistique est un modèle utilisé dans le domaine de la biologie.
• La régression Ridge analyse les données obtenues dans la régression multiple.
• La régression au lasso est le modèle pour lequel l’information continue n’est pas typique.
• La régression quantile est une technique utilisée lorsque les conditions nécessaires à la régression linéaire ne sont pas remplies.
• La régression nette élastique est utilisée lorsqu’il y a trop de variables indépendantes corrélées.
• La régression ordinale est une technique qui prédit les valeurs ordinales.

Certaines des hypothèses utilisées dans les modèles de régression sont :

• La relation entre toutes les variables est linéaire.
• La variable et le résidu de régression doivent rester constants.
• Toutes les variables explicatives de l’équation sont indépendantes les unes des autres.
• Toutes les variables de l’équation sont normalement distribuées.

Méthode statistique utilisée dans des domaines tels que la finance, l’investissement et l’économie qu’est-ce que la régression, qu’est-ce que l’analyse de régression Nous avons parlé des points importants que vous devez connaître sur le sujet en répondant aux questions fréquemment posées. La régression, bien sûr, est un sujet beaucoup plus détaillé, mais dans cet article, nous visons uniquement à fournir aux lecteurs une connaissance de base du sujet.