Esempi di regressione lineare: domande e discussione
La regressione lineare è un metodo statistico utilizzato per determinare la relazione tra due o più variabili. Questo metodo è ampiamente utilizzato in diversi campi, tra cui l'economia, il commercio, le scienze sociali e le scienze naturali. In questo articolo, analizzeremo la regressione lineare, come calcolarla e forniremo diversi esempi con relative spiegazioni per aiutare i lettori a comprendere a fondo questo concetto.
Comprensione della regressione lineare
La regressione lineare è un metodo analitico utilizzato per modellare la relazione tra una o più variabili indipendenti (predittori) e una variabile dipendente (risposta). La regressione lineare semplice prevede una sola variabile indipendente e una sola variabile dipendente, mentre la regressione lineare multipla prevede più di una variabile indipendente.
L'equazione di una retta di regressione lineare semplice è:
\[ Y = a + bX \]
Di mana:
– \( Y \) è la variabile dipendente.
– \( X \) è la variabile indipendente.
– \( a \) è l'intercetta, che è il valore di Y quando X = 0.
– \( b \) è il coefficiente di regressione, ovvero indica di quanto cambia Y se X cambia di un'unità.
Passaggi della regressione lineare
1. Raccolta dei dati: Innanzitutto, raccogli i dati da analizzare.
2. Rappresentazione grafica dei dati: crea un diagramma a dispersione per verificare se esiste una relazione lineare tra le variabili.
3. Calcolare il coefficiente di regressione: utilizzare il metodo dei minimi quadrati per determinare la retta migliore.
4. Verifica del modello: Verificare la significatività dei coefficienti di regressione con un test t e determinare il valore di R-quadro per valutare l'adattamento del modello ai dati.
Contoh Soal dan Pembahasan
Esempio di domanda 1: Regressione lineare semplice
Domanda:
Un ricercatore desidera conoscere la relazione tra il numero di ore di studio (X) e i punteggi degli esami degli studenti (Y). I dati ottenuti sono i seguenti:
| Ore di studio (X) | Punteggio dell'esame (Y) |
|——————–|——————–|
| 2 | 70 |
| 3 | 75 |
| 5 | 80 |
| 7 | 85 |
| 8 | 90 |
Ricava un'equazione di regressione lineare da questi dati!
Discussione:
1. Calcolo della media:
\[
\bar{X} = \frac{2 + 3 + 5 + 7 + 8}{5} = 5
\]
\[
\bar{Y} = \frac{70 + 75 + 80 + 85 + 90}{5} = 80
\]
2. Calcolo del coefficiente di regressione \( b \):
\[
b = \frac{\somma (X_i – \bar{X})(Y_i – \bar{Y})}{\somma (X_i – \bar{X})^2}
\]
\[
\sum (X_i – \bar{X})(Y_i – \bar{Y}) = (2 – 5)(70 – 80) + (3 – 5)(75 – 80) + (5 – 5)(80 – 80) + (7 – 5)(85 – 80) + (8 – 5)(90 – 80)
\]
\[
= (-3)(-10) + (-2)(-5) + (0)(0) + (2)(5) + (3)(10) = 30 + 10 + 0 + 10 + 30 = 80
\]
\[
\sum (X_i – \bar{X})^2 = (2 – 5)^2 + (3 – 5)^2 + (5 – 5)^2 + (7 – 5)^2 + (8 – 5)^2
\]
\[
= 9 + 4 + 0 + 4 + 9 = 26
\]
\[
b = \frac{80}{26} \approx 3.08
\]
3. Calcolo dell'intercetta \( a \):
\[
a = \bar{Y} – b\bar{X}
\]
\[
a = 80 – 3.08 × 5 = 80 – 15.4 = 64.6
\]
4. Equazione di regressione:
\[
Y = 64.6 + 3.08X
\]
Pertanto, l'equazione di regressione lineare per i dati è \( Y = 64.6 + 3.08X \). Ciò significa che si prevede che ogni ora di studio aggiuntiva aumenti il punteggio del test di 3.08 punti.
Esempio di domanda 2: Test modello e interpretazione
Domanda:
Proseguendo con gli stessi dati, calcola il valore di R-quadro (R²) per misurare quanto bene il modello si adatta ai dati. Inoltre, verifica la significatività del coefficiente di regressione \( b \ ).
Discussione:
1. Calcolare la somma totale dei quadrati (SST), la somma dei quadrati della regressione (SSR) e la somma dei quadrati dell'errore (SSE):
\[
SST = \sum (Y_i – \bar{Y})^2
\]
\[
SST = (70 – 80)^2 + (75 – 80)^2 + (80 – 80)^2 + (85 – 80)^2 + (90 – 80)^2 = 100 + 25 + 0 + 25 + 100 = 250
\]
\[
SSR = \somma (\hat{Y}_i – \bar{Y})^2
\]
Dove \( \hat{Y}_i \) è il valore previsto dall'equazione di regressione:
\[
\hat{Y}_i = 64.6 + 3.08X_i
\]
\[
\hat{Y} = [67.76, 70.84, 76.0, 82.16, 85.24]
\]
\[
\bar{Y} = 80
\]
\[
SSR = (67.76 – 80)^2 + (70.84 – 80)^2 + (76.0 – 80)^2 + (82.16 – 80)^2 + (85.24 – 80)^2
\]
\[
SSR = (-12.24)^2 + (-9.16)^2 + (-4.0)^2 + 2.16^2 + 5.24^2 = 149.8
\]
2. Calcolo dell'SSE:
\[
SSE = SST – SSR = 250 – 149.8 = 100.2
\]
3. Calcolo del coefficiente di determinazione R-quadro:
\[
R^2 = \frac{SSR}{SST} = \frac{149.8}{250} \approx 0.6
\]
Un valore di R-quadro pari a 0.6 indica che questo modello spiega circa il 60% della variabilità dei dati. Ciò significa che la retta di regressione si adatta abbastanza bene ai dati.
4. Test t per la significatività del coefficiente \( b \):
\[
t = \frac{b}{SE(b)}
\]
\[
SE(b) = \sqrt{\frac{SSE}{n-2}} / \sqrt{\sum (X_i – \bar{X})^2}
\]
\[
SE(b) = \sqrt{\frac{100.2}{5-2}} / \sqrt{26}
\]
\[
SE(b) = \sqrt{33.4} / \sqrt{26} \approx 1.13
\]
\[
t = \frac{3.08}{1.13} \approx 2.73
\]
Con una statistica t di circa 2.73, se utilizziamo una soglia di significatività comune (α = 0.05), la confrontiamo con la tabella t. Ad esempio, per df = 3, il valore critico di t è circa 2.353. Quindi t osservato > t critico, il che indica che il coefficiente è significativo.
conclusione
In questo articolo abbiamo trattato le basi della regressione lineare, come calcolare il coefficiente di regressione e l'intercetta e come interpretare i risultati utilizzando esempi pratici. Esercitarsi frequentemente con diversi set di dati è fondamentale per acquisire dimestichezza con questo metodo. La regressione lineare è uno strumento prezioso nell'analisi dei dati e può fornire approfondimenti significativi sulle relazioni tra le variabili.
