Hiermit wird eine Gleichung generiert, mit der die statistische Beziehung zwischen einem bzw. mehreren Prädiktoren und der Antwortvariablen beschrieben und neue Beobachtungen prognostiziert werden.

Um die Ausgabe einer Regressionsanalyse hinzuzufügen, wechseln Sie zu Hinzufügen und Ausfüllen eines Formulars.

Regression der besten Teilmengen

Verwenden Sie Regression der besten Teilmengen, um verschiedene Regressionsmodelle zu vergleichen, die Teilmengen der von Ihnen angegebenen Prädiktoren enthalten.

Ein Analytiker in einem Einzelhandelsgeschäft möchte beispielsweise das Umsatzvolumen prognostizieren. Zu den Prädiktoren zählen Verkehr, Bevölkerung, Durchschnittseinkommen und direkte Wettbewerber in der Nähe des Geschäfts. Der Analytiker identifiziert mit Hilfe der Regression der besten Teilmengen die Prädiktoren, die das Umsatzvolumen am besten prognostizieren. Ein Beispiel finden Sie in der Minitab Hilfe: Beispiel für die Regression der besten Teilmengen.

Überlegungen zu Daten

Ihre Daten müssen ein fortlaufender Wert für Y und numerische Werte für Xs sein. Sie können kategoriale Xs in Indikatorvariablen konvertieren. Weitere Informationen finden Sie in der Minitab Hilfe: Überlegungen zu Daten für die Regression der besten Teilmengen.

Darstellung der Anpassungslinie

Verwenden Sie die Darstellung der Anpassungslinie, um die Beziehung zwischen einem stetigen Prädiktor und einer Antwortvariablen zu veranschaulichen.

Sie können ein lineares, quadratisches oder kubisches Modell an die Daten anpassen. Eine Darstellung der Anpassungslinie zeigt ein Streudiagramm der Daten mit einer Regressionslinie, die die Regressionsgleichung darstellt.

Ein Techniker an einer Produktionsstätte möchte beispielsweise die Beziehung zwischen dem Energieverbrauch und der Einstellung einer Maschine untersuchen, die im Fertigungsprozess verwendet wird. Der Techniker vermutet, dass die Beziehung zwischen diesen Variablen gekrümmt ist. Daher erstellt er eine Darstellung der Anpassungslinie und passt ein quadratisches Modell an die Daten an. Ein Beispiel finden Sie in der Minitab Hilfe: Beispiel für die Darstellung der Anpassungslinie.

Überlegungen zu Daten

Ihre Daten müssen ein kontinuierlicher Wert für Y und ein kontinuierlicher oder diskreter Wert für X (mit mehreren Ebenen) sein. Weitere Informationen finden Sie in der Minitab Hilfe: Überlegungen zu Daten für die Darstellung der Anpassungslinie.

Multiple Regression

Bei der multiplen linearen Regression werden die linearen Beziehungen zwischen einer kontinuierliche Antwortvariablen und mindestens zwei Prädiktoren untersucht.

Bei einer großen Anzahl von Prädiktoren sollten Sie vor dem Anpassen eines Regressionsmodells mit allen Prädiktoren die Prädiktoren ausschließen, die nicht signifikant in Beziehung zu den Werten der Antwortvariablen stehen. Diese können Sie über eine schrittweise Regression oder eine Regression der besten Teilmengen herausfiltern.

Ein Chemiker in der Forschung möchte herausfinden, wie verschiedene Prädiktoren mit der Knitterfestigkeit von Baumwollstoff zusammenhängen. Der Chemiker führt eine multiple Regression durch, um ein Modell mit den Prädiktoren anzupassen und die Prädiktoren zu entfernen, die keine statistisch signifikante Beziehung mit der Antwortvariablen aufweisen. Ein Beispiel finden Sie in der Minitab Hilfe: Beispiel für „Regressionsmodell anpassen“.

Überlegungen zu Daten

Bei Ihren Daten muss es sich um einen kontinuierlichen Wert für Y und numerische Werte für X handeln. Sie können kategoriale Xs in Indikatorvariablen konvertieren. Weitere Informationen finden Sie in der Minitab Hilfe: Überlegungen zu Daten für Regressionsmodell anpassen.

Einfache Regression

Mit einer einfachen linearen Regression wird die lineare Beziehung zwischen zwei stetigen Variablen untersucht: einer Antwortvariablen (y) und einem Prädiktor (x).

Mit der einfachen Regression können Sie den Wert der Ausgabe Y für einen beliebigen Wert der Eingabe X vorhersagen. Ein Beispiel finden Sie in der Minitab Hilfe: Beispiel für „Regressionsmodell anpassen“.

Überlegungen zu Daten

Ihre Daten müssen ein fortlaufender Wert für Y und ein numerischer Wert für X sein. Weitere Informationen finden Sie in der Minitab Hilfe: Überlegungen zu Daten für Regressionsmodell anpassen.

Schrittweise Regression

Verwenden Sie die schrittweise Regression, um mehrere Prozesseingaben ohne einen Versuchsplan zu bewerten.

Die schrittweise Regression ist ein automatisiertes Tool, mit dem in den explorativen Phasen der Modellerstellung eine nützliche Teilmenge von Prädiktoren bestimmt wird. Bei jedem Schritt des Verfahrens wird systematisch die signifikanteste Variable hinzugefügt oder die am wenigsten signifikante Variable entfernt. Sie haben ferner die Möglichkeit, den Wert der Ausgabe (Y) für eine beliebige Kombination von Werten der Eingaben (Xs) vorherzusagen. Weitere Informationen finden Sie in der Minitab Hilfe. Durchführen einer schrittweisen Regression für „Regressionsmodell anpassen“.

Überlegungen zu Daten

Ihre Daten müssen ein fortlaufender Wert für Y und numerische Werte für Xs sein. Sie können kategoriale Xs in Indikatorvariablen konvertieren. Weitere Informationen finden Sie in der Minitab Hilfe: Überlegungen zu Daten für Regressionsmodell anpassen.

Durch Ihre Nutzung dieser Website stimmen Sie zu, dass Cookies verwendet werden. Cookies dienen zu Analysezwecken und zum Bereitstellen personalisierter Inhalte.  Lesen Sie unsere Richtlinien