Beispillfroen a Diskussioun iwwer linear Regressioun
Linear Regressioun ass eng statistesch Method, déi benotzt gëtt fir d'Bezéiung tëscht zwou oder méi Variablen ze bestëmmen. Dës Method gëtt wäit verbreet a verschiddene Beräicher benotzt, dorënner Ekonomie, Wirtschaft, Sozialwëssenschaften an Naturwëssenschaften. An dësem Artikel wäerte mir déi linear Regressioun diskutéieren, wéi se berechent gëtt, a verschidde Beispillproblemer mat Erklärungen ubidden, fir de Lieser ze hëllefen, dëst Konzept am Detail ze verstoen.
Linear Regressioun verstoen
Linear Regressioun ass eng analytesch Method, déi benotzt gëtt fir d'Bezéiung tëscht enger oder méi onofhängege Variablen (Prediktoren) an enger ofhängeger Variabel (Äntwert) ze modelléieren. Einfach linear Regressioun involvéiert eng onofhängeg Variabel an eng ofhängeg Variabel, während multiple linear Regressioun méi wéi eng onofhängeg Variabel involvéiert.
D'Equatioun vun enger einfacher linearer Regressiounslinn ass:
[Y = a + bX]
Wou:
– \(Y \) ass déi ofhängeg Variabel.
– \(X \) ass déi onofhängeg Variabel.
– \(a \) ass den Abschnëtt, deen de Wäert vun Y ass, wann X = 0.
– \(b \) ass de Regressiounskoeffizient, dat heescht, wéi vill Y sech ännert, wann X sech ëm eng Eenheet ännert.
Linear Regressiounsschrëtt
1. Daten sammelen: Als éischt, sammelt d'Donnéeën, déi analyséiert solle ginn.
2. Daten duerstellen: E Streudiagramm erstellen fir ze kucken, ob et eng linear Bezéiung tëscht de Variabelen gëtt.
3. De Regressiounskoeffizient berechnen: Benotzt d'Method vun de klengste Quadraten fir déi bescht Linn ze bestëmmen.
4. Test vum Modell: Test d'Signifikantkeet vun de Regressiounskoeffizienten mat engem t-Test a bestëmmt den R-Quadrat-Wäert fir ze kucken, wéi gutt de Modell zu den Donnéeën passt.
Beispillfroen an Diskussioun
Beispillfro 1: Einfach linear Regressioun
Fro:
E Fuerscher wëll d'Bezéiung tëscht der Unzuel u Léierstonnen (X) an den Examensresultater vun de Studenten (Y) erausfannen. Déi kritt Donnéeë sinn wéi follegt:
| Léierstonnen (X) | Prüfungsresultat (Y) |
|——————–|——————–|
| 2 | 70 |
| 3 | 75 |
| 5 | 80 |
| 7 | 85 |
| 8 | 90 |
Erstellt eng linear Regressiounsgläichung aus dësen Donnéeën!
Beschte:
1. Duerchschnëttsberechnung:
\[
\bar{X} = \frac{2 + 3 + 5 + 7 + 8}{5} = 5
\]
\[
\bar{Y} = \frac{70 + 75 + 80 + 85 + 90}{5} = 80
\]
2. Berechnung vum Regressiounskoeffizient \(b \):
\[
b = \frac{\sum(X_i – \bar{X})(Y_i – \bar{Y})}{\sum(X_i – \bar{X})^2}
\]
\[
\sum(X_i – \bar{X})(Y_i – \bar{Y}) = (2 – 5)(70 – 80) + (3 – 5)(75 – 80) + (5 – 5)(80 – 80) + (7 – 5)(85 – 80) + (8 – 5)(90 – 80)
\]
\[
= (-3)(-10) + (-2)(-5) + (0)(0) + (2)(5) + (3)(10) = 30 + 10 + 0 + 10 + 30 = 80
\]
\[
\sum(X_i – \bar{X})^2 = (2 – 5)^2 + (3 – 5)^2 + (5 – 5)^2 + (7 – 5)^2 + (8 – 5)^2
\]
\[
= 9 + 4 + 0 + 4 + 9 = 26
\]
\[
b = ∫80/26 (ongeféier 3.08)
\]
3. Berechnung vum Abschnëtt \(a \):
\[
a = \bar{Y} – b\bar{X}
\]
\[
a = 80 – 3.08 × 5 = 80 – 15.4 = 64.6
\]
4. Regressiounsgläichung:
\[
Y = 64.6 + 3.08X
\]
Also ass d'linear Regressiounsgläichung fir d'Donnéeën \(Y = 64.6 + 3.08X \). Dëst bedeit, datt all zousätzlech Stonn Léieren erwaart gëtt, datt d'Testresultat ëm 3.08 Punkten eropgeet.
Beispillfro 2: Modelltest an Interpretatioun
Fro:
Berechent weider mat de selwechten Donnéeën den R-Quadrat (R²) Wäert fir ze moossen, wéi gutt de Modell zu den Donnéeë passt. Test och d'Signifikantkeet vum Regressiounskoeffizient b.
Beschte:
1. Berechent d'Gesamtzomm vun de Quadraten (SST), d'Regressiounszomm vun de Quadraten (SSR) an d'Feelerzomm vun de Quadraten (SSE):
\[
SST = \sum(Y_i – \bar{Y})^2
\]
\[
SST = (70 – 80)^2 + (75 – 80)^2 + (80 – 80)^2 + (85 – 80)^2 + (90 – 80)^2 = 100 + 25 + 0 + 25 + 100 = 250
\]
\[
SSR = \sum(\hat{Y}_i – \bar{Y})^2
\]
Wou \( \hat{Y}_i \) de virausgesoten Wäert vun der Regressiounsgläichung ass:
\[
\hat{Y}_i = 64.6 + 3.08X_i
\]
\[
\hat{Y} = [67.76, 70.84, 76.0, 82.16, 85.24]
\]
\[
Y = 80
\]
\[
SSR = (67.76 – 80)^2 + (70.84 – 80)^2 + (76.0 – 80)^2 + (82.16 – 80)^2 + (85.24 – 80)^2
\]
\[
SSR = (-12.24)^2 + (-9.16)^2 + (-4.0)^2 + 2.16^2 + 5.24^2 = 149.8
\]
2. Berechnung vun der SSE:
\[
SSE = SST – SSR = 250 – 149.8 = 100.2
\]
3. Berechnung vum R-Quadrat:
\[
R^2 = \frac{SSR}{SST} = \frac{149.8}{250} \ongeféier 0.6
\]
En R-Quadrat-Wäert vun 0.6 weist drop hin, datt dëst Modell ongeféier 60% vun der Variatioun an den Donnéeën erkläert. Dëst weist drop hin, datt d'Regressiounslinn zimmlech gutt zu den Donnéeën passt.
4. t-Test fir d'Signifikantkeet vum Koeffizient \(b \):
\[
t = \frac{b}{SE(b)}
\]
\[
SE(b) = ∫SSE/n-2 / ∫sum (X_i – ∫bar{X})^2
\]
\[
SE(b) = \sqrt{\frac{100.2}{5-2}} / \sqrt{26}
\]
\[
SE(b) = √33.4 / √26 \ongeféier 1.13
\]
\[
t = \frac{3.08}{1.13} \ongeféier 2.73
\]
Mat enger \(t-Statistik \approx 2.73 \), wa mir e gemeinsame Schwellwäert fir Signifikanz (α = 0.05) benotzen, vergläiche mir en mat der t-Tabell. Zum Beispill, fir \(df = 3 \), ass de kriteschen \(t \) ongeféier 2.353. Dann ass \(t-observéiert > t-kritesch \), wat beweist datt de Koeffizient signifikant ass.
Conclusioun
An dësem Artikel hu mir d'Grondlage vun der linearer Regressioun behandelt, wéi een de Regressiounskoeffizient an den Intercept berechent, a wéi een d'Resultater mat Hëllef vu Beispillproblemer interpretéiert. Reegelméisseg Übung mat verschiddene Datensätz ass essentiell fir dës Method gutt ze benotzen. Linear Regressioun ass e wäertvollt Instrument an der Datenanalyse a kann déifgräifend Abléck an d'Bezéiungen tëscht Variablen ginn.
