رگرسیون (Regression)

✅ به زبان ساده:
رگرسیون کمک می‌کند بفهمیم «چه چیزی روی چه چیزی و چقدر تأثیر دارد» و همچنین بتوانیم پیش‌بینی انجام دهیم.

رگرسیون چگونه کار می‌کند؟

در رگرسیون:

• یک متغیر به‌عنوان «وابسته» انتخاب می‌شود (مثلاً قیمت سهام)
• یک یا چند متغیر دیگر به‌عنوان «مستقل» در نظر گرفته می‌شوند (مثلاً قیمت نفت یا نرخ بهره)

سپس با تحلیل داده‌ها مشخص می‌شود که:
➡️ تغییر هر متغیر مستقل چه تأثیری روی متغیر وابسته دارد

رگرسیون خطی (Linear Regression)

رایج‌ترین نوع رگرسیون، رگرسیون خطی است.

در این روش، رابطه بین دو متغیر با یک خط مستقیم (خط بهترین برازش) نمایش داده می‌شود.

اجزای مهم:

• شیب خط (Slope): نشان می‌دهد تغییر یک متغیر چه مقدار روی دیگری اثر دارد
• عرض از مبدأ (Intercept): مقدار متغیر وابسته زمانی که متغیر مستقل صفر است

📌 مثال:
اگر رابطه بین «ساعات مطالعه» و «نمره» را بررسی کنیم:

• شیب مثبت → هرچه مطالعه بیشتر، نمره بالاتر
• شیب منفی → رابطه معکوس

مثال کاربردی در دنیای واقعی

فرض کنید یک تحلیل‌گر می‌خواهد رابطه بین:

• قیمت نفت (متغیر مستقل)
• قیمت سهام شرکت‌های نفتی (متغیر وابسته)

را بررسی کند.

✅ با رگرسیون می‌تواند بفهمد:

• اگر قیمت نفت ۱۰٪ افزایش یابد، قیمت سهام چقدر تغییر می‌کند

رگرسیون غیرخطی (Nonlinear Regression)

در برخی موارد، رابطه بین متغیرها خطی نیست.

در این حالت از رگرسیون غیرخطی استفاده می‌شود که:

• روابط پیچیده‌تر را مدل‌سازی می‌کند
• اما تحلیل آن دشوارتر است

کاربردهای رگرسیون در اقتصاد و مالی

رگرسیون یکی از ابزارهای اصلی در تحلیل داده‌ها است و کاربردهای زیادی دارد:

• پیش‌بینی قیمت‌ها
• تحلیل بازارهای مالی
• ارزش‌گذاری دارایی‌ها
• بررسی رابطه بین متغیرهای اقتصادی
• مدیریت ریسک سرمایه‌گذاری

📌 مثال:
مدیر سرمایه‌گذاری با استفاده از رگرسیون می‌تواند تأثیر نرخ بهره بر بازار سهام را پیش‌بینی کند.

محدودیت مهم رگرسیون

❗ نکته بسیار مهم:
رگرسیون فقط رابطه (Correlation) را نشان می‌دهد، نه علت و معلول (Causation)

📌 مثال:
اگر فروش بستنی و دمای هوا با هم بالا بروند،
این به این معنی نیست که بستنی باعث گرما شده است!

تفاوت با «بازگشت به میانگین» (Regression to the Mean)

رگرسیون آماری نباید با مفهوم دیگری به نام بازگشت به میانگین اشتباه گرفته شود.

• رگرسیون → تحلیل رابطه بین متغیرها
• بازگشت به میانگین → تمایل داده‌ها به برگشت به مقدار متوسط

چرا رگرسیون مهم است؟

• کمک به تصمیم‌گیری بر اساس داده
• امکان پیش‌بینی آینده
• درک بهتر روابط اقتصادی
• پایه بسیاری از مدل‌های مالی و تحلیلی

نکات کلیدی (Key Takeaways)

• رگرسیون رابطه بین متغیر وابسته و مستقل را اندازه‌گیری می‌کند
• رگرسیون خطی از خط مستقیم برای مدل‌سازی استفاده می‌کند
• در اقتصاد و مالی برای پیش‌بینی و تحلیل بسیار کاربردی است
• فقط رابطه را نشان می‌دهد، نه علت واقعی
• تفسیر درست نیازمند داده‌های معتبر و فرضیات صحیح است