Preguntes i debat d'exemple de regressió lineal
La regressió lineal és un mètode estadístic que s'utilitza per determinar la relació entre dues o més variables. Aquest mètode s'utilitza àmpliament en diversos camps, com ara l'economia, els negocis, les ciències socials i les ciències naturals. En aquest article, parlarem de la regressió lineal, de com calcular-la i proporcionarem diversos exemples de problemes amb explicacions per ajudar els lectors a entendre aquest concepte en profunditat.
Comprensió de la regressió lineal
La regressió lineal és un mètode analític que s'utilitza per modelar la relació entre una o més variables independents (predictors) i una variable dependent (resposta). La regressió lineal simple implica una variable independent i una variable dependent, mentre que la regressió lineal múltiple implica més d'una variable independent.
L'equació d'una recta de regressió lineal simple és:
\[ Y = a + bX \]
On:
– \(Y \) és la variable dependent.
– \(X \) és la variable independent.
– \(a \) és la intersecció amb el terme, que és el valor de Y quan X = 0.
– \(b \) és el coeficient de regressió, és a dir, quant canvia Y si X canvia en una unitat.
Passos de regressió lineal
1. Recopilació de dades: Primer, recopilació de les dades que s'analitzaran.
2. Representació gràfica de les dades: crea un diagrama de dispersió per veure si hi ha una relació lineal entre les variables.
3. Calcula el coeficient de regressió: utilitza el mètode dels mínims quadrats per determinar la millor recta.
4. Prova del model: Comproveu la significació dels coeficients de regressió amb una prova t i determineu el valor R quadrat per veure com de bé s'ajusta el model a les dades.
Exemples de preguntes i debat
Exemple de pregunta 1: Regressió lineal simple
Pregunta:
Un investigador vol saber la relació entre el nombre d'hores d'estudi (X) i les puntuacions dels estudiants als exàmens (Y). Les dades obtingudes són les següents:
| Hores d'estudi (X) | Puntuació de l'examen (Y) |
|——————–|———————–|
| 2 | 70 |
| 3 | 75 |
| 5 | 80 |
| 7 | 85 |
| 8 | 90 |
Fes una equació de regressió lineal a partir d'aquestes dades!
Discussió:
1. Càlcul de la mitjana:
\[
X = 2 + 3 + 5 + 7 + 8/5 = 5
\]
\[
\bar{Y} = \frac{70 + 75 + 80 + 85 + 90}{5} = 80
\]
2. Càlcul del coeficient de regressió \(b \):
\[
b = \frac{\sum (X_i – \bar{X})(Y_i – \bar{Y})}{\sum (X_i – \bar{X})^2}
\]
\[
\sum (X_i – \bar{X})(Y_i – \bar{Y}) = (2 – 5)(70 – 80) + (3 – 5)(75 – 80) + (5 – 5)(80 – 80) + (7 – 5)(85 – 80) + (8 – 5)(90 – 80)
\]
\[
= (-3)(-10) + (-2)(-5) + (0)(0) + (2)(5) + (3)(10) = 30 + 10 + 0 + 10 + 30 = 80
\]
\[
suma (Xi – \bar{X})^2 = (2 – 5)^2 + (3 – 5)^2 + (5 – 5)^2 + (7 – 5)^2 + (8 – 5)^2
\]
\[
= 9 + 4 + 0 + 4 + 9 = 26
\]
\[
b = \frac{80}{26} \approx 3.08
\]
3. Càlcul de la intersecció amb el punt \( a \):
\[
a = Y – b X
\]
\[
a = 80 – 3.08 × 5 = 80 – 15.4 = 64.6
\]
4. Equació de regressió:
\[
Y = 64.6 + 3.08X
\]
Així doncs, l'equació de regressió lineal per a les dades és \(Y = 64.6 + 3.08X\). Això significa que s'espera que cada hora addicional d'estudi augmenti la puntuació de la prova en 3.08 punts.
Exemple de pregunta 2: Prova i interpretació del model
Pregunta:
Continuant amb les mateixes dades, calculeu el valor de R quadrat (R²) per mesurar com de bé s'ajusta el model a les dades. A més, proveu la significació del coeficient de regressió ∫(b).
Discussió:
1. Calcula la suma total de quadrats (SST), la suma de quadrats de regressió (SSR) i la suma de quadrats d'error (SSE):
\[
SST = \sum (Y_i – \bar{Y})^2
\]
\[
Temperatura de substàncies magnètiques = (70 – 80)^2 + (75 – 80)^2 + (80 – 80)^2 + (85 – 80)^2 + (90 – 80)^2 = 100 + 25 + 0 + 25 + 100 = 250
\]
\[
SSR = \sum (\hat{Y}_i – \bar{Y})^2
\]
On \( \hat{Y}_i \) és el valor predit de l'equació de regressió:
\[
Y_i = 64.6 + 3.08X_i
\]
\[
\hat{Y} = [67.76, 70.84, 76.0, 82.16, 85.24]
\]
\[
Y = 80
\]
\[
SSR = (67.76 – 80)^2 + (70.84 – 80)^2 + (76.0 – 80)^2 + (82.16 – 80)^2 + (85.24 – 80)^2
\]
\[
SSR = (-12.24)^2 + (-9.16)^2 + (-4.0)^2 + 2.16^2 + 5.24^2 = 149.8
\]
2. Càlcul de l'estat sòlid (SSE):
\[
SSE = SST – SSR = 250 – 149.8 = 100.2
\]
3. Càlcul de R al quadrat:
\[
R^2 = \frac{SSR}{SST} = \frac{149.8}{250} \approx 0.6
\]
Un valor de R quadrat de 0.6 indica que aquest model explica aproximadament el 60% de la variació de les dades. Això indica que la recta de regressió s'ajusta força bé a les dades.
4. Prova t per a la significació del coeficient \(b \):
\[
t = \frac{b}{SE(b)}
\]
\[
SE(b) = \sqrt{\frac{SSE}{n-2}} / \sqrt{\sum (X_i – \bar{X})^2}
\]
\[
SE(b) = \sqrt{\frac{100.2}{5-2}} / \sqrt{26}
\]
\[
SE(b) = 33.4 / 26 aproximadament 1.13
\]
\[
t = \frac{3.08}{1.13} \aprox. 2.73
\]
Amb un \(t-estadístic \approx 2.73\), si utilitzem un llindar comú per a la significació (α = 0.05), el comparem amb la taula t. Per exemple, per a \(df = 3\), el \(t\) crític és aproximadament 2.353. Aleshores \(t-observat > t-crític\), cosa que indica que el coeficient és significatiu.
Conclusió
En aquest article, hem tractat els conceptes bàsics de la regressió lineal, com calcular el coeficient i la intersecció amb la regressió, i com interpretar els resultats mitjançant exemples de problemes. La pràctica freqüent amb diversos conjunts de dades és essencial per adquirir domini de l'ús d'aquest mètode. La regressió lineal és una eina valuosa en l'anàlisi de dades i pot proporcionar informació profunda sobre les relacions entre variables.
