Apa Itu Regresi Linier?

Definisi langsung

Regresi linier adalah metode statistik untuk memodelkan hubungan antara masukan (sering disebut X) dan hasil (sering disebut Y) menggunakan garis lurus. Tujuannya adalah menemukan parameter garis (biasanya kemiringan dan intersep) sehingga garis tersebut menjelaskan data yang diamati sebaik mungkin.

Secara sederhana: jika Anda memiliki serangkaian titik masa lalu, regresi linier mencoba menggambar garis kecocokan terbaik melalui titik-titik tersebut. Kemudian dapat menghitung nilai prediksi untuk X baru dengan memasukkannya ke dalam garis.

Cara kerja regresi linier (mekanisme dan komponen)

Model regresi linier dasar terlihat seperti:

• Y ≈ a + bX

Di mana:

• b (kemiringan) menunjukkan seberapa kuat Y cenderung berubah ketika X meningkat sebesar 1 unit.
• a (intersep) adalah nilai Y yang diprediksi ketika X adalah 0.

Untuk “menyesuaikan” garis, regresi linier biasanya memilih a dan b dengan meminimalkan ukuran kesalahan antara nilai prediksi dan nilai yang diamati. Pilihan umum adalah kuadrat terkecil, yang meminimalkan jumlah selisih kuadrat antara Y aktual dan Y yang diprediksi.

Asumsi yang perlu Anda ketahui

Interpretasi standar bergantung pada asumsi seperti:

• Hubungan yang kira-kira linier antara X dan Y dalam periode yang dianalisis.
• Kesalahan yang tidak bias secara sistematis (sering digambarkan memiliki rata-rata nol).
• Kesalahan dengan sebaran yang kira-kira konstan (tidak ada perubahan variabilitas yang ekstrem).

Bahkan ketika asumsi ini hanya kira-kira benar, metode ini masih dapat berguna untuk menggambarkan pola historis—tetapi kecocokan tidak secara otomatis menyiratkan hubungan yang stabil, kausal, atau masa depan.

Di mana ini muncul dalam analisis gaya forex

Dalam alur kerja terkait forex, regresi linier kadang-kadang digunakan untuk memperkirakan hubungan seperti tren antara dua deret yang selaras waktu. Misalnya, Anda dapat memperlakukan:

• X sebagai langkah waktu (atau kuantitas terukur lainnya)
• Y sebagai harga (seperti nilai mid, bid, ask, atau close—jika didefinisikan secara konsisten)

Di bawah pengaturan itu, garis yang dipasang dapat memberikan cara sederhana untuk mengukur apakah Y cenderung meningkat atau menurun selama jendela yang dipilih, dan untuk menghitung nilai yang dipasang/diprediksi.

Penting: ini adalah perkiraan ketergantungan statistik dalam jendela yang dipilih. Ini tidak “mengetahui” arah pasar sebelumnya, dan tidak dapat mengoreksi perubahan struktur pasar.

Bukti atau contoh (dengan asumsi eksplisit)

Pertimbangkan kumpulan data ilustratif dari 5 pengamatan. Misalkan Anda mendefinisikan X sebagai indeks waktu 1, 2, 3, 4, 5, dan Y sebagai harga terukur pada setiap langkah.

Asumsikan Anda menerapkan regresi kuadrat terkecil untuk menyesuaikan Y ≈ a + bX. Algoritme akan menghasilkan nilai spesifik a dan b yang meminimalkan kesalahan kuadrat atas lima titik tersebut. Setelah dipasang, Anda dapat menghitung:

• nilai yang dipasang untuk X = 1..5 (seberapa dekat garis dengan titik historis)
• prediksi satu langkah ke depan untuk X = 6 (apa yang akan diprediksi garis di luar jendela pelatihan)

Contoh ini menunjukkan mekanismenya: model menghasilkan pemetaan numerik dari X ke Y yang diperkirakan menggunakan garis lurus, berdasarkan sepenuhnya pada seberapa baik garis tersebut cocok dengan sampel historis yang Anda berikan.

Keterbatasan material dan mode kegagalan

Keterbatasan utama adalah bahwa regresi linier bekerja paling baik ketika hubungannya cukup linier dan stabil selama periode yang dianalisis. Mode kegagalan umum meliputi:

1. Hubungan non-linier: Jika hubungan sebenarnya melengkung, garis lurus dapat secara sistematis melewatkan struktur.
2. Perubahan rezim: Pasar forex dapat bergeser di antara perilaku yang berbeda. Garis yang dipasang pada kondisi masa lalu mungkin tidak mewakili periode berikutnya.
3. Overfitting: Menggunakan terlalu banyak fleksibilitas (misalnya, berulang kali mencari jendela atau fitur tanpa evaluasi yang tepat) dapat menghasilkan kecocokan historis yang baik tetapi gagal di luar sampel.
4. Heteroskedastisitas: Jika variabilitas berubah seiring waktu, asumsi kesalahan standar mungkin tidak berlaku, membuat perkiraan ketidakpastian tidak dapat diandalkan.

Karena masalah ini, “kecocokan” historis tidak sama dengan keandalan masa depan. Juga, hasil dalam perdagangan nyata bergantung pada biaya dan kualitas eksekusi, yang bukan bagian dari kecocokan regresi kecuali Anda secara eksplisit memodelkannya.

Cara memverifikasi fakta secara independen

Untuk memverifikasi apakah regresi linier digunakan secara tepat dalam konteks forex, Anda dapat memeriksa:

• Definisi fitur: apa sebenarnya X, apa sebenarnya Y (dan seberapa konsisten mereka diukur)?
• Jendela dan evaluasi: apakah kecocokan diuji pada data yang tidak digunakan untuk menyesuaikan garis.