Foarbyldfragen en diskusje fan lineêre regresje
Lineêre regresje is in statistyske metoade dy't brûkt wurdt om de relaasje tusken twa of mear fariabelen te bepalen. Dizze metoade wurdt in soad brûkt yn ferskate fjilden, ynklusyf ekonomy, bedriuwskunde, sosjale wittenskippen en de natuerwittenskippen. Yn dit artikel sille wy lineêre regresje beprate, hoe't jo it berekkenje kinne, en ferskate foarbyldproblemen mei útlis jaan om lêzers te helpen dit konsept yngeand te begripen.
Lineêre regresje begripe
Lineêre regresje is in analytyske metoade dy't brûkt wurdt om de relaasje tusken ien of mear ûnôfhinklike fariabelen (foarsizzers) en in ôfhinklike fariabele (antwurd) te modellearjen. Ienfâldige lineêre regresje omfettet ien ûnôfhinklike fariabele en ien ôfhinklike fariabele, wylst meardere lineêre regresje mear as ien ûnôfhinklike fariabele omfettet.
De fergeliking fan in ienfâldige lineêre regresjeline is:
\[ Y = a + bX \]
Wêr:
– \(Y \) is de ôfhinklike fariabele.
– \(X \) is de ûnôfhinklike fariabele.
– \(a \) is it ynterseksjepunt, dat is de wearde fan Y as X = 0.
– \(b \) is de regresjekoëffisjint, dat is, hoefolle Y feroaret as X mei ien ienheid feroaret.
Lineêre regresjestappen
1. Gegevens sammelje: Earst, sammelje de gegevens dy't analysearre wurde moatte.
2. Plot gegevens: Meitsje in spreidingsdiagram om te sjen oft der in lineêre relaasje is tusken de fariabelen.
3. Bereken de regresjekoëffisjint: Brûk de metoade fan 'e minste kwadraten om de bêste line te bepalen.
4. It model testen: Test de betsjutting fan 'e regresjekoëffisiënten mei in t-test en bepaal de R-kwadraatwearde om te sjen hoe goed it model by de gegevens past.
Foarbyldfragen en diskusje
Foarbyldfraach 1: Ienfâldige lineêre regresje
Fraach:
In ûndersiker wol de relaasje witte tusken it oantal stúdzje-oeren (X) en de eksamenskoares fan studinten (Y). De krigen gegevens binne as folget:
| Study-oeren (X) | Eksamenskoare (Y) |
|——————–|——————–|
| 2 | 70 |
| 3 | 75 |
| 5 | 80 |
| 7 | 85 |
| 8 | 90 |
Meitsje in lineêre regresjefergeliking fan dizze gegevens!
Diskusje:
1. It gemiddelde berekkenje:
\[
\bar{X} = \frac{2 + 3 + 5 + 7 + 8}{5} = 5
\]
\[
\bar{Y} = \frac{70 + 75 + 80 + 85 + 90}{5} = 80
\]
2. Berekkening fan de regresjekoëffisjint \(b \):
\[
b = \frac{\sum(X_i – \bar{X})(Y_i – \bar{Y})}{\sum(X_i – \bar{X})^2}
\]
\[
\sum(X_i – \bar{X})(Y_i – \bar{Y}) = (2 – 5)(70 – 80) + (3 – 5)(75 – 80) + (5 – 5)(80 – 80) + (7 – 5)(85 – 80) + (8 – 5)(90 – 80)
\]
\[
= (-3)(-10) + (-2)(-5) + (0)(0) + (2)(5) + (3)(10) = 30 + 10 + 0 + 10 + 30 = 80
\]
\[
\sum(X_i – \bar{X})^2 = (2 – 5)^2 + (3 – 5)^2 + (5 – 5)^2 + (7 – 5)^2 + (8 – 5)^2
\]
\[
= 9 + 4 + 0 + 4 + 9 = 26
\]
\[
b = \frac{80}{26} \approx 3.08
\]
3. It berekkenjen fan it snijpunt \(a \):
\[
a = \bar{Y} – b \bar{X}
\]
\[
a = 80 – 3.08 \times 5 = 80 – 15.4 = 64.6
\]
4. Regresjefergeliking:
\[
Y = 64.6 + 3.08X
\]
Dat betsjut dat de lineêre regresjefergeliking foar de gegevens \(Y = 64.6 + 3.08X \). Dit betsjut dat elk ekstra oere stúdzje nei ferwachting de testskoare mei 3.08 punten sil ferheegje.
Foarbyldfraach 2: Modeltest en ynterpretaasje
Fraach:
Trochgean mei deselde gegevens, berekkenje de R-kwadraat (R²) wearde om te mjitten hoe goed it model by de gegevens past. Test ek de betsjutting fan 'e regresjekoëffisjint \(b \).
Diskusje:
1. Berekenje de totale som fan kwadraten (SST), de regresjesom fan kwadraten (SSR) en de flatersom fan kwadraten (SSE):
\[
SST = \sum(Y_i – \bar{Y})^2
\]
\[
SST = (70 – 80)^2 + (75 – 80)^2 + (80 – 80)^2 + (85 – 80)^2 + (90 – 80)^2 = 100 + 25 + 0 + 25 + 100 = 250
\]
\[
SSR = \sum(\hat{Y}_i – \bar{Y})^2
\]
Wêr't \( \hat{Y}_i \) de foarseine wearde fan 'e regresjefergeliking is:
\[
\hat{Y}_i = 64.6 + 3.08X_i
\]
\[
\hat{Y} = [67.76, 70.84, 76.0, 82.16, 85.24]
\]
\[
\bar{Y} = 80
\]
\[
SSR = (67.76 – 80)^2 + (70.84 – 80)^2 + (76.0 – 80)^2 + (82.16 – 80)^2 + (85.24 – 80)^2
\]
\[
SSR = (-12.24)^2 + (-9.16)^2 + (-4.0)^2 + 2.16^2 + 5.24^2 = 149.8
\]
2. SSE berekkenje:
\[
SSE = SST – SSR = 250 – 149.8 = 100.2
\]
3. R-kwadraat berekkenje:
\[
R^2 = \frac{SSR}{SST} = \frac{149.8}{250} \approx 0.6
\]
In R-kwadraatwearde fan 0.6 jout oan dat dit model sawat 60% fan 'e fariaasje yn 'e gegevens ferklearret. Dit jout oan dat de regresjeline frij goed by de gegevens past.
4. t-toets foar betsjutting fan koëffisjint \(b \):
\[
t = \frac{b}{SE(b)}
\]
\[
SE(b) = \sqrt{\frac{SSE}{n-2}} / \sqrt{\sum(X_i – \bar{X})^2}
\]
\[
SE(b) = \sqrt{\frac{100.2}{5-2}} / \sqrt{26}
\]
\[
SE(b) = 33.4 / 26 sawat 1.13
\]
\[
t = \frac{3.08}{1.13} \approx 2.73
\]
Mei in \(t-statistyk \approx 2.73 \), as wy in mienskiplike drompelwearde foar betsjutting brûke (α = 0.05), fergelykje wy dy mei de t-tabel. Bygelyks, foar \(df = 3 \), is de krityske \(t \) sawat 2.353. Dan is \(t-waarnommen > t-kritysk \), wat oanjout dat de koëffisjint betsjuttingsfol is.
Konklúzje
Yn dit artikel hawwe wy de basis fan lineêre regresje behannele, hoe't jo de regresjekoëffisjint en it ynterseksjepunt berekkenje kinne, en hoe't jo de resultaten ynterpretearje kinne mei foarbyldproblemen. Faak oefenjen mei ferskate datasets is essensjeel om betûft te wurden yn it brûken fan dizze metoade. Lineêre regresje is in weardefol ark yn gegevensanalyse en kin djip ynsjoch jaan yn 'e relaasjes tusken fariabelen.
