Waarom is dit belangrijk?
Met lineaire regressie kunnen onderzoekers een getal schatten uit factoren die al gemeten zijn, en zien hoe zwaar een factor meeweegt. In medisch onderzoek gebruiken teams het om patiëntgegevens te analyseren, bijvoorbeeld het verband tussen gewicht en bloeddruk. Voor studenten en professionals is dit een heldere manier om cijfers te interpreteren, maar de uitkomst klopt alleen als de gegevens aan de statistische voorwaarden voldoen.
Zo werkt het in de praktijk
Teams schatten met lineaire regressie de groei van de Amerikaanse consumptie. Het leerboek Forecasting: Principles and Practice koppelt die groei aan inkomen, industriële productie, besparingen en werkloosheid. Een ander voorbeeld in dat hoofdstuk is de dagelijkse stroomvraag, gekoppeld aan temperatuur en weekdag.
De onderzoeksvraag is welke factor de consumptie nog verschuift als de andere factoren al meetellen. Het leerboek gebruikt daarvoor meervoudige lineaire regressie op kwartaalcijfers. Daarna vergelijken de auteurs de geschatte lijn met de echte cijfers.
De lijn wordt meestal geschat met de kleinste-kwadratenmethode. Die methode kiest de lijn met de kleinste som van gekwadrateerde afwijkingen. Ridge-regressie en lasso voegen een extra beperking toe. Daardoor past het model minder strak op de bekende gegevens.




