Analysis Regressionis Linearis Simplex
Regressio linearis simplex est ars statistica adhibita ad relationem inter duas variabiles quantitativas analysandam. Variabilis quam praedicere conamur variabilis dependens vel responsiva appellatur, dum variabilis ad praedictionem faciendam adhibita variabilis independens vel praedictrix appellatur. In regressione lineari simplici, optimam lineam rectam invenire conamur quae relationem inter has duas variabiles describit.
Notiones Fundamentales Regressionis Linearis Simplicis
Regressio linearis simplex innititur suppositioni relationem linearem inter variabilem dependentem (Y) et variabilem independentem (X) exstare. Forma generalis exemplaris regressionis linearis simplicis est:
Y = β₀ + β₁ X + ε
Ubi:
– \(Y \) est variabilis dependens.
– \(X \) est variabilis independens.
– \(\beta_0\) est intersectio aequae, quae est valor \(Y\) cum \(X = 0\).
– \(\beta_1 \) est declivitas sive gradiens, quod est mutatio media in \(Y\) pro qualibet mutatione unitaria in \(X\).
– ∫(∫epsilon) est error sive terminus residuus qui variabilitatem in ∫(Y) repraesentat, quae per ∫(X) explicari non potest.
Finis regressionis linearis simplicis est parametros β₀ et β₁ aestimare ut exemplar ad valorem β₀ cum valore β₀ coniunctum praedicendum adhiberi possit.
Methodus Quadratorum Minimorum
Una ex methodis frequentissime adhibitis ad exemplar regressionis linearis simplicis aptandum est methodus Quadratorum Minorum. Haec methodus summam quadratorum deviationum verticalium inter observationes reales et valores a exemplo praedictos ad minimum redigere intendit. Ponamus nos habere n observationes constantes ex paribus \((x_i, y_i)\) pro \(i = 1, 2, …, n\). Functio ad minimum redigenda est:
S(β0, β1) = summa i = 1 n (yi – (β0 + β1 x-i))²
Ut β₀ et β₁ inveniamus quae hanc functionem ad minimum reducant, derivativas partiales β₀ (S(β₀, β₁)) respectu cuiusque parametri accipimus et has derivativas ad nihilum ponimus. Computatio mathematica sic simplificari potest:
β1 = (summa i = 1 n - x) (yi - y) / (summa i = 1 n - x)²)
\[ \beta_0 = \bar{y} - \beta_1 \bar{x} \]
Ubi:
– \(\bar{x}\) est media \(X\)
– \(\bar{y}\) est media \(Y\)
Postquam parametri β₀0 et β₀1 obtenti sunt, exemplar regressionis linearis simplex ad valorem β₀Y pro quolibet valore β₀X praedicendum adhiberi potest.
Assumptiones in Regressione Lineari Simplici
Pro validis et fidis resultatibus, regressio linearis simplex plura assumit:
1. Linearitas: Relatio inter variabilem dependentem et variabilem independentem linearis esse debet.
2. Independentia: Observationes inter se independentes esse debent.
3. Homoscedasticitas: Variabilitas residua constans esse debet per totum ambitum valorum variabilis independentis.
4. Normalitas Residualis: Residua (errores) distributionem normalem sequi debent.
Si hae suppositiones non implentur, eventus simplicis modeli regressionis linearis incerti erunt et fortasse non poterunt praedictiones accuratas facere.
Aestimatio Modeli Regressionis
Una via ad aestimandum quam bene exemplar regressionis linearis simplex praedixerit est uti Coefficiente Determinationis (\(R^2\)). Coefficiens determinationis ostendit proportionem variabilitatis in variabili dependenti quae explicari potest per variabilitatem in variabilibus independentibus.
R² = (summa i=1/n - yi – y)² / (summa i=1/n - yi – y)²)
Ubi:
– \(\hat{y}_i\) est valor praedictus functionis \(Y\).
– \(y_i\) est valor actualis numeri \(Y\).
– \(\bar{y}\) est media valorum \(Y\).
Valor \(R^2\) a 0 ad 1 variat. Valor \(R^2\) prope 1 indicat exemplar maximam partem variabilitatis in variabili dependenti explicare posse.
Implementatio in Lingua Programmandi
Ad simplicem regressionem linearem implementandam, variis programmatibus statisticis vel linguis programmandi uti possumus. Infra exemplum implementationis in Python utens bibliotheca `scikit-learn` est:
"python"
import numpy ut np *
import matplotlib.pyplot ut plt
ex sklearn.linear_model importare LinearRegression
ex sklearn.metrics importare mean_squared_error, r2_score
Data
X = np.array([[1], [2], [3], [4], [5]]).astype(np.float64)
`y` = np.array([1.5, 3.6, 3.5, 2.9, 5.5]).astype(np.float64)
model
exemplar = RegressioLinearis()
exemplar.aptum(X, y)
Praediksi
`y_pred` = exemplar.praedicit(X)
Coefficiens
beta_0 = model.intercept_
beta_1 = exemplar.coef_[0]
`print(f'Interceptio: {beta_0}')`
`print(f'Declivitas: {beta_1}')`
`print(f'Error quadraticus medius: {error_quadraticus_medius(y, y_pred)}')`
`print(f'Coefficiens determinationis (R^2): {r2_score(y, y_pred)}')`
Diagramma datorum et linea regressionis
`plt.scatter(X, y, color='caeruleus')`
`plt.plot(X, y_pred, color='ruber')`
`plt.xlabel('X')`
`plt.ylabel('Y')`
`plt.show()`
''
In exemplo supra, primum bibliothecas necessarias importamus, data \(X\) et \(Y\) definimus, deinde objectum `LinearRegression` ex `scikit-learn` utimur ad exemplar datis aptandum. Postquam exemplar aptatum est, praedictiones facimus et coefficientes, necnon errorem quadraticum medium et coefficientem determinationis, computamus. Denique, data et lineam regressionis delineamus.
conclusio
Regressio linearis simplex est instrumentum validum ad analysin statisticam adhibendum, quod ad relationem inter duas variabiles quantitativas explicandam adhibetur. Cum quibusdam suppositionibus fundamentalibus de linearitate, independentia, homoscedasticitate, et normalitate, valorem variabilis dependentis praedicere possumus, fretus valoribus variabilium independentium. Methodus Quadratorum Minimorum modum efficientem praebet ad lineam regressionis aptandam et parametros optimos determinandos. Aestimatio exemplaris per coefficientem determinationis (R2) perspicuitatem praebet in quam bene exemplar nostrum fungatur.
Quamquam regressio linearis simplex limitationes habet, ut puta tantum duas variabiles tractare posse et suppositiones quae implendae sunt, haec ars fundamentum grave in statisticis et analysi datorum manet, et saepe adhibetur ut primus gradus ad intellegendam relationem inter variabiles antequam ad methodos complexiores progrediatur.
