Co to znaczy regresować zmienną względem innej

Kiedy mówimy, aby cofnąć względem , czy mamy na myśli, że jest zmienną niezależną, a Y zmienną zależną? tj. . $Y$ $X$ $X$ $Y =aX + b$

regression terminology

— Zwycięzca
źródło

Niestety zależy to od osoby mówiącej. Myślę, że „regresję Y na X” częściej oznacza, że Y jest zmienną po lewej stronie, ale niektórzy mają na myśli coś przeciwnego.

— Bill

Prawie zawsze tak, ale prawdopodobnie masz na myśli E (Y) = aX + b, w przeciwnym razie wcale nie potrzebujesz regresji (ponieważ jeśli naprawdę miałeś na myśli równość, którą dałeś, każdy punkt byłby na linii).

— Glen_b

> Osobiście nie uważam, aby język zmiennych niezależnych / zależnych był tak pomocny. Te słowa oznaczają przyczynowość, ale regresja może również działać w drugą stronę (użyj Y, aby przewidzieć X). Niezależny / zależny język zmiennych określa jedynie, jak jedna rzecz zależy od drugiej. Mówiąc ogólnie, bardziej sensowne jest zastosowanie korelacji niż regresji, jeśli nie ma związku przyczynowego. Jeśli jedna rzecz nie powoduje drugiej, nie ma sensu używać jej do przewidywania drugiej rzeczy (przynajmniej nie z naukowego punktu widzenia) i po prostu odwracając relację za każdym razem, gdy ty

Nie ma znaczącej różnicy między korelacją a regresją; z pewnością nie ma to nic wspólnego z przyczyną.

— Gung - Przywróć Monikę

y

$y$

x

$x$

Odpowiedzi:

Zazwyczaj oznacza to znalezienie powierzchni sparametryzowanej znanym X, tak że Y zwykle leży blisko tej powierzchni. To daje ci przepis na znalezienie nieznanego Y, gdy znasz X.

Na przykład dane to X = 1, ..., 100. Wartość Y jest wykreślana na osi Y. Czerwona linia to powierzchnia regresji liniowej.

wprowadź opis zdjęcia tutaj

Osobiście nie uważam, aby język zmiennych niezależnych / zależnych był tak pomocny. Te słowa oznaczają przyczynowość, ale regresja może również działać w drugą stronę (użyj Y, aby przewidzieć X).

— przypuszczenia
źródło

Prawdopodobnie tak. Wiele razy musimy regresować zmienną (powiedzmy Y) na innej zmiennej (powiedzmy X). W regresji można go zatem zapisać jako $Y = a+bX$ ; cofnij Y na X: zresetuj prawdziwą wartość hodowlaną na genomowej wartości hodowlanej itp.

bias=lm(TBV~GBV)

— Gopal Gowane
źródło