مقدمه: امروزه بستههای نرمافزاری قدرتمند و کاربردی، تحلیل دادهها را ساده کرده و در نتیجه کاربرد علم داده را در تمام زمینههای تحقیقاتی توسعه داده است. بر این اساس، رگرسیون تقریباً در تمام جنبههای علومزیستی، از سالمت انسان گرفته تا کشاورزی و علوم دامی اعمال شده است. اما در دهههای گذشته اشتباهات شایان توجهی در استفاده از این مدل گزارش شده است. هدف از این مقاله بررسی مدلسازی با این روش مهم آماری و آشنا کردن خوانندگان جهت کاربرد درست این روش و مفروضات و شرایط استفاده از آن است. مواد و روشها: در این مقاله مروری از دادههای واقعی استفاده گردیده است و نحوه انجام تحلیلهای انجام شده در نرمافزارهای آماری SAS و R و کدهای مربوط به آنها در قسمت پیوست آورده شده است. یافتهها: در مفروضات مورد نیاز مدل رگرسیونی، باقیماندههای مدل باید به طور نرمال توزیع شده باشند، اما انجام آزمون نرمال بودن برای مقادیر واقعی متغیر پاسخ یا هر یک از متغیرهای مستقل اجباری نیست. از سوی دیگر، تقریباً تمام روشهای تست توزیع نرمال، مانند Smirnov-Kolmogorov، برای تعداد زیاد داده، طراحی شدهاند. این نشان میدهد که استفاده از چنین روشهایی برای آزمون نرمال بودن باقیماندههای مدل تخمین زده شده بر اساس تعداد داده پایین، عمدتاً کمتر از صد مورد، چندان دقیق نخواهد بود. موضوع دیگر مربوط به همخطی بین متغیرهای مستقل است. باید به این نکته توجه کرد که یافتن ضریب همبستگی برابر با صفر ) = R 0( حتی بین هر جفت متغیر تصادفی جداگانه بسیار دشوار است. بنابراین در تمامی مدلهای رگرسیونی به نوعی همبستگی بین متغیرهای مستقل وجود خواهد داشت، اما موضوع مهم این است که فقط همبستگی زیاد باعث ایجاد مشکالت شدید در مدل میشود. پیشنهاد میگردد که به جای استفاده از روش ساده همبستگی از روشهای تخصصی مانند ضریب تورم واریانس )VIF )یا تجزیه و تحلیل مؤلفه اصلی )PCA )برای تشخیص شدت همخطی استفاده گردد. یکی دیگر از مفروضات رگرسیون مربوط به خطی بودن مدل است که گاهی تبدیل این مشکل را برطرف کند. باید توجه شود که تبدیل دادهها منجر به تغییر واحد متغیرها یا تغییر جهت برداری آنها در یک فضای هندسی و در برخی موارد تغییر ساختار صحیح آنها می شود. نتیجهگیری: در مدل رگرسیون با افزایش تعداد داده، درجه آزادی خطا به سرعت افزایش می یابد و میانگین مجذور خطای نهایی به میزان قابل توجهی کاهش می یابد. مقدار کم میانگینمربعاتخطا منجر به یک مدل بسیار معنیدار میشود. در مقابل، پراکندگی نقاط داده در اطراف خط رگرسیون ممکن است بسیار گسترده باشد. به همین دلیل، استفاده از ضریبتبیین که معموالً معیار مناسبی برای تست برازش مدل است. هرچه پراکندگی نقاط مربوط به دادهها در اطراف خط رگرسیون گستردهتر باشد، مقدار ضریب تعیین کمتر است. مقادیر باالی این ضریب نشان دهنده مدل مناسب برای مجموعه دادههای مورد استفاده است. یک مقدار مناسب برای ضریبتبیین را نمی توان بین دامنهای از مقادیر برای همه آزمایشها توصیه کرد.
