회귀 모형 적합
회귀 모형 적합은 여러 연속형 및 범주형 예측 변수를 사용하여 연속형 반응 변수에 대한 회귀 방정식을 적합합니다. 예측, 관계 분석, 예보에 사용하며, 범주형 반응 변수에는 로지스틱 회귀를 사용해야 합니다. 대표성 있고 정확한 데이터를 수집하고, VIF로 다중공선성을 확인하며, 잔차 그림으로 검증하십시오. 검정은 Adjusted(Type III, 기본값) 또는 Sequential(Type I) 제곱합을 사용하며 신뢰구간의 기본값은 95%입니다.
최종 검토
핵심 요점
회귀 모형 적합(Fit Regression Model)은 하나 이상의 연속형 또는 범주형 예측 변수가 연속형 반응 변수에 미치는 영향을 정량화하는 방정식을 만들어, 유의한 변수를 찾고 결과를 예측할 수 있게 합니다.
이 페이지 내용
회귀 모형 적합이란?
회귀 모형 적합은 하나 이상의 예측 변수와 연속형 반응 변수 사이의 관계를 살펴보고 정량화하는 통계 도구입니다. 단일 예측 변수만 다루는 Fit Line Model과 달리, 회귀 모형 적합은 연속형과 범주형을 모두 포함한 여러 예측 변수를 지원하므로 실제 데이터 분석에 더 다양하게 활용할 수 있습니다.
데이터를 통과하는 수학 방정식을 만들어 예측 변수가 반응 변수에 종합적으로 어떻게 영향을 미치는지 가장 잘 설명합니다. 이 방정식은 패턴을 이해하고, 유의한 변수를 찾고, 미래 결과를 예측하는 데 사용할 수 있습니다.
간단한 정의: 여러 입력 변수와 하나의 출력 변수 사이의 가장 좋은 수학적 관계를 찾아 추세를 이해하고 정확한 예측을 할 수 있게 하는 도구입니다.
회귀 모형 적합은 언제 사용합니까?
적합된 회귀 모형은 일반적으로 하나 이상의 독립변수와 종속변수 사이의 관계를 분석해야 할 때 사용합니다. 독립변수의 값을 바탕으로 종속변수의 거동을 예측하고 이해하는 데 유용한 도구입니다.
적합된 회귀 모형이 유용할 수 있는 일반적인 상황은 다음과 같습니다.
- 예측 모형화: 하나 이상의 독립변수 값을 바탕으로 종속변수의 값을 예측하려는 경우 적합된 회귀 모형이 유용합니다. 예를 들어 가격, 광고, 고객 인구통계 같은 요인을 바탕으로 제품 판매량을 예측하려는 경우입니다.
- 관계 분석: 종속변수와 하나 이상의 독립변수 사이의 관계를 이해하려는 경우 적합된 회귀 모형이 도움이 됩니다. 예를 들어 소득과 교육 수준 사이의 관계, 또는 운동 습관과 건강 결과 사이의 관계를 이해하려는 경우입니다.
- 예보: 과거 데이터를 바탕으로 종속변수의 미래 값을 예보하려는 경우 적합된 회귀 모형이 유용합니다. 예를 들어 과거 판매 데이터와 경제 지표, 계절적 추세 같은 다른 변수를 바탕으로 미래 판매량을 예보하려는 경우입니다.
- 예측 변수는 연속형, 범주형 또는 둘의 조합일 수 있습니다.
- 이산 변수는 수준의 수와 분석 목적에 따라 연속형 또는 범주형으로 다룰 수 있습니다.
- 반응 변수는 연속형이어야 합니다.
- 범주형 반응 변수는 모형 가정을 충족하거나 정확한 예측을 하기 어렵습니다.
일반적으로 적합된 회귀 모형은 하나 이상의 독립변수를 바탕으로 종속변수의 거동을 이해하거나 예측해야 할 때마다 유용합니다.
회귀 모형 적합의 올바른 사용 지침
- 하나 이상의 연속형 또는 범주형 예측 변수와 함께 연속형 반응 변수 를 사용하십시오. 반응 변수가 범주형이거나 계수형이면 대신 해당하는 로지스틱 모형 또는 포아송 모형을 적용하십시오.
- 데이터가 대상 모집단을 정확하게 대표하는지 확인하십시오. 편향되거나 불완전한 표본은 신뢰할 수 없는 결과로 이어집니다.
- 필요한 통계적 정밀도를 확보하고 안정적인 회귀 모형이 되도록 충분한 데이터 점 을 수집하십시오.
- 모든 변수를 가능한 한 정확하고 정밀하게측정하십시오. 측정 오차는 적합된 모형의 품질에 직접 영향을 줍니다.
- 잔차의 시간 기반 추세나 패턴을 탐지할 수 있도록 데이터를 수집한 순서대로 기록하십시오.
- 예측 변수 간의 다중공선성 을 확인하십시오. 심각하면 어떤 예측 변수가 실제로 유의한지 파악하기 어려워집니다. 심각도를 평가하려면 Coefficients 표의 분산 팽창 계수(VIF) 를 사용하십시오.
- 적합 후에는 잔차 그림, 진단 통계량, 모형 요약 통계량으로 모형을 검증하십시오. 적합이 나쁜 모형은 오해를 불러올 수 있는 결론을 낳을 수 있습니다.
대안: 회귀 모형 적합을 사용하지 않아야 할 때
- 연속형 예측 변수와 연속형 반응 변수 사이의 관계를 시각화하려면 적합선 그림을 사용하십시오.
- 범주가 두 개인 반응 변수에는 이항 로지스틱 모형 적합을 사용하십시오.
- 매우 동의하지 않음에서 매우 동의함까지처럼 자연스러운 순서가 있는 범주가 셋 이상인 반응 변수에는 순서 로지스틱 회귀를 사용하십시오.
- 긁힘, 찍힘, 찢김처럼 자연스러운 순서가 없는 범주가 셋 이상인 반응 변수에는 명목 로지스틱 회귀를 사용하십시오.
회귀 모형 적합 예제
한 의학 연구자가 여러 요인이 맥박수에 미치는 영향을 연구하려고 합니다. 연구자는 학부생 91명의 키, 몸무게, 성별, 흡연 선호, 활동 수준, 안정 시 맥박수를 기록합니다. 그런 다음 학생들을 무작위로 두 집단으로 나눕니다. 첫 번째 집단은 제자리에서 1분 동안 달리고 다른 집단은 가만히 서 있습니다. 이어서 연구자는 학생들의 맥박수를 다시 기록합니다. 단계는 다음과 같습니다.
- 필요한 데이터를 수집했습니다.

- 이제 Zometric Statistical Software에서 데이터를 분석합니다: https://statsai.zometric.com/.
- 회귀 모형 적합을 찾으려면 Statistical module> Regression>Fit Regression Model을 선택합니다.
- 도구 안에서 다음과 같이 데이터와 다른 입력값을 입력합니다.

- 위 도구를 사용하면 다음과 같은 출력이 나옵니다.




회귀 모형 적합 방법
절차는 다음과 같습니다.
- Zometric Statistical Software에 로그인합니다: https://statsai.zometric.com/
- 홈 페이지에서 Statistical Tool> Regression > Fit Regression Model을 선택합니다.
- 다음으로 데이터를 직접 입력하거나, 엑셀 시트의 데이터를 전체 복사(Ctrl+C)하여 붙여넣기(Ctrl+V)합니다. 또는 Load Example 옵션으로 예제 데이터를 불러올 수 있습니다.
- 다음으로 필요한 옵션을 입력합니다.
- 마지막으로, 페이지 하단의 calculate를 클릭하면 원하는 결과를 얻을 수 있습니다.
회귀 모형 적합의 도구 화면은 두 부분으로 나뉩니다.

왼쪽 부분에는 데이터 창(Data Pane)이 있습니다. Data Pane에서는 각 행이 하나의 부분군을 이룹니다. 데이터는 직접 입력하거나, 엑셀 시트의 데이터를 전체 복사(Ctrl+C)하여 여기에 붙여넣기(Ctrl+V)할 수 있습니다.
Load example:샘플 데이터가 불러와집니다.
Load File: 엑셀 데이터를 직접 불러올 때 사용합니다.
오른쪽 부분에는 다음과 같은 여러 옵션이 있습니다.
- Response: 회귀 모형에서 반응 변수는 독립변수 또는 예측 변수로 예측하거나 설명하려는 변수입니다. 종속변수 또는 목표 변수라고도 합니다. 반응 변수는 회귀 모형이 독립변수의 값을 바탕으로 추정하거나 예측하려는 변수입니다.
- Continuous Predictors: 회귀 모형에서 연속형 예측 변수는 연속적인 값 또는 수치 값을 갖는 변수로, 반응 변수의 변동을 예측하거나 설명하는 데 사용합니다. 연속형 예측 변수는 일정한 범위 또는 구간 안의 어떤 값이든 가질 수 있으며 소수나 분수일 수 있습니다.
- Categorical Predictors: 회귀분석에서 범주형 예측 변수는 제한된 수의 이산 값을 갖는 변수로, 흔히 범주 또는 수준이라고 합니다. 이러한 변수는 양적 또는 수치형 변수와 대비하여 질적 변수 또는 명목형 변수라고도 합니다.
- Confidence level: 회귀분석에서 신뢰수준은 회귀 모형의 추정된 계수의 정밀도와 정확도를 나타내는 척도입니다. 구체적으로 신뢰수준은 반복 표본에서 같은 방식으로 계산한 신뢰구간 중 계수의 참 모집단 값을 포함하는 장기적인 비율입니다. 신뢰수준은 보통 백분율로 나타내며 흔한 값은 95%입니다. 이는 서로 다른 데이터 표본으로 같은 회귀 모형을 반복해서 추정하면, 그 결과 신뢰구간의 약 95%가 해당 계수의 참값을 포함한다는 뜻입니다.
- Sum of squares for tests:
- Adjusted (Type III): 각 항의 제곱합은 다른 모든 항이 이미 포함된 모형에 해당 항을 추가했을 때 오차 제곱합이 감소하는 양이므로, 그 검정은 항을 입력하는 순서에 의존하지 않습니다. 기본값이며 보통 이 방식을 선호합니다. Sequential (Type I): 각 항의 제곱합은 항을 입력한 순서대로 모형에 추가했을 때 오차 제곱합이 감소하는 양이므로, 항에 대한 검정은 그 앞에 입력된 항에 의존합니다.
자주 묻는 질문
회귀 모형 적합이란 무엇입니까?
회귀 모형 적합은 하나 이상의 예측 변수와 연속형 반응 변수 사이의 관계를 살펴보고 정량화합니다. 예측 변수가 반응 변수에 종합적으로 어떻게 영향을 미치는지 가장 잘 설명하는 방정식을 만들며, 이를 패턴 이해, 유의한 변수 식별, 미래 결과 예측에 사용할 수 있습니다. 예측 변수는 연속형, 범주형 또는 둘의 조합일 수 있습니다.
회귀 모형 적합과 Fit Line Model의 차이는 무엇입니까?
Fit Line Model은 단일 예측 변수만 다루지만, 회귀 모형 적합은 연속형과 범주형을 모두 포함한 여러 예측 변수를 지원합니다. 하나의 연속형 예측 변수와 연속형 반응 변수 사이의 관계를 시각화하려면 적합선 그림이 더 간단한 선택이며, 예측 변수가 여러 개이면 회귀 모형 적합을 사용하십시오.
회귀 모형 적합은 언제 사용하지 않아야 합니까?
반응 변수는 연속형이어야 합니다. 범주가 두 개인 반응 변수에는 이항 로지스틱 모형 적합을 사용하십시오. 매우 동의하지 않음에서 매우 동의함까지처럼 자연스러운 순서가 있는 범주가 셋 이상이면 순서 로지스틱 회귀를 사용하십시오. 긁힘, 찍힘, 찢김처럼 자연스러운 순서가 없는 범주가 셋 이상이면 명목 로지스틱 회귀를 사용하십시오.
회귀 모형에서 다중공선성은 어떻게 확인합니까?
Coefficients 표의 분산 팽창 계수(VIF)로 예측 변수 간 다중공선성이 얼마나 심각한지 평가합니다. 심각하면 어떤 예측 변수가 실제로 유의한지 파악하기 어려워집니다. 적합 후에는 잔차 그림, 진단 통계량, 모형 요약 통계량으로 모형을 검증하십시오. 적합이 나쁜 모형은 오해를 불러올 수 있는 결론을 낳을 수 있습니다.
