Jawaban:
Istilah "regresi" digunakan oleh Francis Galton dalam makalahnya tahun 1886 "Regresi terhadap mediokritas dalam status turun temurun". Sepengetahuan saya dia hanya menggunakan istilah dalam konteks regresi menuju rata-rata . Istilah ini kemudian diadopsi oleh orang lain untuk mendapatkan lebih atau kurang arti yang dimilikinya saat ini sebagai metode statistik umum.
Bertentangan dengan kemajuan, kita kembali ke titik rata-rata, yaitu kemunduran. Oleh karena itu istilah regresi! Saya pikir ini sesuatu yang diambil dan macet.
@Mark White menyebutkan tautannya tetapi bagi Anda yang tidak punya banyak waktu untuk memeriksa tautannya, inilah jawaban yang dirujuk dengan tepat:
Istilah "regresi" diciptakan oleh Francis Galton pada abad ke-19 untuk menggambarkan fenomena biologis. Fenomena itu adalah bahwa ketinggian keturunan leluhur yang tinggi cenderung mundur ke bawah rata-rata normal (sebuah fenomena yang juga dikenal sebagai regresi menuju rata-rata) (Galton, dicetak ulang 1989). Bagi Galton, regresi hanya memiliki makna biologis ini (Galton, 1887) , tetapi karyanya kemudian diperluas oleh Udny Yule dan Karl Pearson ke konteks statistik yang lebih umum (Pearson, 1903).
https://en.wikipedia.org/wiki/Regression_analysis#History
Galton, F. (1877). Hukum khas keturunan. AKU AKU AKU. Alam, 15 (389), 512-514.
Galton, F. (dicetak ulang 1989). Kekerabatan dan Korelasi. Ilmu Statistik, 4 (2), 80-86.
Pearson, K. (1903). Hukum keturunan leluhur. Biometrika, 2 (2), 211-228.
"Regresi" berasal dari "regresi" yang pada gilirannya berasal dari bahasa latin "regressus" - untuk kembali (ke sesuatu).
Dalam hal itu, regresi adalah teknik yang memungkinkan "kembali" dari data yang berantakan, sulit ditafsirkan, menjadi model yang lebih jelas dan lebih bermakna. Sebagai seorang fisikawan, saya menyukai gagasan itu, karena fisikawan melihat fenomena alam sebagai hasil ganda dari hukum alam yang relatif sederhana.
Dengan kata lain, kata regresi tampaknya menunjukkan bahwa data hanyalah efek nyata dan nyata dari "model statistik". Dengan kata lain, model yang didahulukan, dan keinginan Anda adalah menggunakan data "untuk kembali" ke tempat asalnya.