Eksempelspørgsmål og diskussion om lineær regression
Lineær regression er en statistisk metode, der bruges til at bestemme forholdet mellem to eller flere variabler. Denne metode er meget anvendt inden for forskellige områder, herunder økonomi, erhvervsliv, samfundsvidenskab og naturvidenskab. I denne artikel vil vi diskutere lineær regression, hvordan man beregner den, og give flere eksempler på problemer med forklaringer for at hjælpe læserne med at forstå dette koncept i dybden.
Forståelse af lineær regression
Lineær regression er en analytisk metode, der bruges til at modellere forholdet mellem en eller flere uafhængige variabler (prædiktorer) og en afhængig variabel (respons). Simpel lineær regression involverer én uafhængig variabel og én afhængig variabel, mens multipel lineær regression involverer mere end én uafhængig variabel.
Ligningen for en simpel lineær regressionslinje er:
\[Y = a + bX \]
Din mand:
– \(Y \) er den afhængige variabel.
– \(X \) er den uafhængige variabel.
– \(a \) er skæringspunktet, som er værdien af Y, når X = 0.
– \(b \) er regressionskoefficienten, det vil sige, hvor meget Y ændrer sig, hvis X ændrer sig med én enhed.
Lineære regressionstrin
1. Indsaml data: Indsaml først de data, der skal analyseres.
2. Plot data: Opret et scatterplot for at se, om der er en lineær sammenhæng mellem variablerne.
3. Beregn regressionskoefficienten: Brug mindste kvadraters metode til at bestemme den bedste linje.
4. Test af modellen: Test signifikansen af regressionskoefficienterne med en t-test, og bestem R-kvadratværdien for at se, hvor godt modellen passer til dataene.
Eksempel på løn og kompensation
Eksempelspørgsmål 1: Simpel lineær regression
Spørgsmål:
En forsker ønsker at kende forholdet mellem antallet af studietimer (X) og de studerendes eksamensresultater (Y). De opnåede data er som følger:
| Studietimer (X) | Eksamensresultat (Y) |
|——————–|——————–|
| 2 | 70 |
| 3 | 75 |
| 5 | 80 |
| 7 | 85 |
| 8 | 90 |
Lav en lineær regressionsligning ud fra disse data!
Diskussion:
1. Beregning af gennemsnittet:
\[
\bar{X} = \frac{2 + 3 + 5 + 7 + 8}{5} = 5
\]
\[
\bar{Y} = \frac{70 + 75 + 80 + 85 + 90}{5} = 80
\]
2. Beregning af regressionskoefficienten \(b \):
\[
b = \frac{\sum(X_i – \bar{X})(Y_i – \bar{Y})}{\sum(X_i – \bar{X})^2}
\]
\[
\sum(X_i – \bar{X})(Y_i – \bar{Y}) = (2 – 5)(70 – 80) + (3 – 5)(75 – 80) + (5 – 5)(80 – 80) + (7 – 5)(85 – 80) + (8 – 5)(90 – 80)
\]
\[
= (-3)(-10) + (-2)(-5) + (0)(0) + (2)(5) + (3)(10) = 30 + 10 + 0 + 10 + 30 = 80
\]
\[
\sum(X_i – \bar{X})^2 = (2 – 5)^2 + (3 – 5)^2 + (5 – 5)^2 + (7 – 5)^2 + (8 – 5)^2
\]
\[
= 9 + 4 + 0 + 4 + 9 = 26
\]
\[
b = 80/26 = ca. 3.08
\]
3. Beregning af skæringspunktet \(a \):
\[
a = \bar{Y} – b\bar{X}
\]
\[
a = 80 – 3.08 x 5 = 80 – 15.4 = 64.6
\]
4. Regressionsligning:
\[
Y = 64.6 + 3.08X
\]
Så den lineære regressionsligning for dataene er \(Y = 64.6 + 3.08X \). Det betyder, at hver ekstra studietime forventes at øge testresultatet med 3.08 point.
Eksempelspørgsmål 2: Modeltest og fortolkning
Spørgsmål:
Fortsæt med de samme data, og beregn R-kvadratværdien (R²) for at måle, hvor godt modellen passer til dataene. Test også signifikansen af regressionskoefficienten b.
Diskussion:
1. Beregn den samlede kvadratsum (SST), regressionskvadratsummen (SSR) og kvadratfejlsummen (SSE):
\[
SST = \sum(Y_i – \bar{Y})^2
\]
\[
SST = (70 – 80)^2 + (75 – 80)^2 + (80 – 80)^2 + (85 – 80)^2 + (90 – 80)^2 = 100 + 25 + 0 + 25 + 100 = 250
\]
\[
SSR = \sum(\hat{Y}_i – \bar{Y})^2
\]
Hvor \( \hat{Y}_i \) er den forudsagte værdi af regressionsligningen:
\[
\hat{Y}_i = 64.6 + 3.08X_i
\]
\[
\hat{Y} = [67.76, 70.84, 76.0, 82.16, 85.24]
\]
\[
Y = 80
\]
\[
SSR = (67.76 – 80)^2 + (70.84 – 80)^2 + (76.0 – 80)^2 + (82.16 – 80)^2 + (85.24 – 80)^2
\]
\[
SSR = (-12.24)^2 + (-9.16)^2 + (-4.0)^2 + 2.16^2 + 5.24^2 = 149.8
\]
2. Beregning af SSE:
\[
SSE = SST – SSR = 250 – 149.8 = 100.2
\]
3. Beregning af R-kvadrat:
\[
R^2 = \frac{SSR}{SST} = \frac{149.8}{250} \ca. 0.6
\]
En R-kvadratværdi på 0.6 indikerer, at denne model forklarer cirka 60% af variationen i dataene. Dette indikerer, at regressionslinjen passer ret godt til dataene.
4. t-test for signifikans af koefficienten \(b \):
\[
t = \frac{b}{SE(b)}
\]
\[
SE(b) = √SSE/n-2 / √sum (X_i – √X)^2
\]
\[
SE(b) = \sqrt{\frac{100.2}{5-2}} / \sqrt{26}
\]
\[
SE(b) = √33.4 / √26 \ca. 1.13
\]
\[
t = ∫3.08/1.13 = ca. 2.73
\]
Med en \(t-statistik \approx 2.73 \), hvis vi bruger en fælles tærskelværdi for signifikans (α = 0.05), sammenligner vi den med t-tabellen. For eksempel, for \(df = 3 \) er den kritiske \(t \) cirka 2.353. Så er \(t-observeret > t-kritisk \), hvilket indikerer, at koefficienten er signifikant.
Konklusion
I denne artikel har vi dækket det grundlæggende i lineær regression, hvordan man beregner regressionskoefficienten og skæringspunktet, og hvordan man fortolker resultaterne ved hjælp af eksempelopgaver. Hyppig øvelse med forskellige datasæt er afgørende for at blive dygtig til at bruge denne metode. Lineær regression er et værdifuldt værktøj i dataanalyse og kan give dybdegående indsigt i forholdet mellem variabler.
