Прашања и дискусија за пример за линеарна регресија
Линеарната регресија е статистички метод што се користи за да се утврди врската помеѓу две или повеќе променливи. Овој метод е широко користен во различни области, вклучувајќи економија, бизнис, општествени науки и природни науки. Во оваа статија, ќе разговараме за линеарната регресија, како да се пресмета и ќе дадеме неколку примери на проблеми со објаснувања за да им помогнеме на читателите да го разберат овој концепт во длабочина.
Разбирање на линеарната регресија
Линеарната регресија е аналитички метод што се користи за моделирање на врската помеѓу една или повеќе независни променливи (предиктори) и зависна променлива (одговор). Едноставната линеарна регресија вклучува една независна променлива и една зависна променлива, додека повеќекратната линеарна регресија вклучува повеќе од една независна променлива.
Равенката на едноставна линеарна регресиона линија е:
\[ Y = a + bX \]
Каде:
– \( Y \) е зависната променлива.
– \( X \) е независна променлива.
– \(a \) е пресекот, што е вредноста на Y кога X = 0.
– \( b \) е коефициентот на регресија, односно колку Y се менува ако X се промени за една единица.
Чекори на линеарна регресија
1. Соберете податоци: Прво, соберете ги податоците што треба да се анализираат.
2. Прикажување на податоци: Креирајте дијаграм на расејување за да видите дали постои линеарна врска помеѓу променливите.
3. Пресметајте го коефициентот на регресија: Користете го методот на најмали квадрати за да ја одредите најдобрата линија.
4. Тестирање на моделот: Тестирајте ја значајноста на коефициентите на регресија со t-тест и одредете ја вредноста на R-квадрат за да видите колку добро моделот се вклопува во податоците.
Пример прашања и дискусија
Пример за прашање 1: Едноставна линеарна регресија
Прашање:
Истражувачот сака да ја знае врската помеѓу бројот на часови на учење (X) и резултатите на студентите на испитите (Y). Добиените податоци се следниве:
| Часови на учење (X) | Резултат од испит (Y) |
|——————–|——————–|
| 2 | 70 |
| 3 | 75 |
| 5 | 80 |
| 7 | 85 |
| 8 | 90 |
Направете линеарна регресиона равенка од овие податоци!
Пембахасан:
1. Пресметување на просекот:
\[
\bar{X} = \frac{2 + 3 + 5 + 7 + 8}{5} = 5
\]
\[
\bar{Y} = \frac{70 + 75 + 80 + 85 + 90}{5} = 80
\]
2. Пресметување на коефициентот на регресија \(b \):
\[
b = \frac{\sum (X_i – \bar{X})(Y_i – \bar{Y})}{\sum (X_i – \bar{X})^2}
\]
\[
\sum (X_i – \bar{X})(Y_i – \bar{Y}) = (2 – 5)(70 – 80) + (3 – 5)(75 – 80) + (5 – 5)(80 – 80) + (7 – 5)(85 – 80) + (8 – 5)(90 – 80)
\]
\[
= (-3)(-10) + (-2)(-5) + (0)(0) + (2)(5) + (3)(10) = 30 + 10 + 0 + 10 + 30 = 80
\]
\[
\sum (X_i – \bar{X})^2 = (2 – 5)^2 + (3 – 5)^2 + (5 – 5)^2 + (7 – 5)^2 + (8 – 5)^2
\]
\[
= 9 + 4 + 0 + 4 + 9 = 26
\]
\[
b = \frac{80}{26} \approx 3.08
\]
3. Пресметување на пресекот \(a \):
\[
a = \bar{Y} – b\bar{X}
\]
\[
a = 80 – 3.08 \times 5 = 80 – 15.4 = 64.6
\]
4. Регресивна равенка:
\[
Y = 64.6 + 3.08X
\]
Значи, линеарната регресиона равенка за податоците е \(Y = 64.6 + 3.08X \). Ова значи дека се очекува секој дополнителен час учење да го зголеми резултатот од тестот за 3.08 поени.
Пример прашање 2: Тест на моделот и интерпретација
Прашање:
Продолжувајќи со истите податоци, пресметајте ја вредноста на R-квадратот (R²) за да измерите колку добро моделот се вклопува во податоците. Исто така, тестирајте ја значајноста на коефициентот на регресија \(b \).
Пембахасан:
1. Пресметајте го вкупниот збир на квадрати (SST), регресиониот збир на квадрати (SSR) и збирот на грешка на квадрати (SSE):
\[
SST = \sum (Y_i – \bar{Y})^2
\]
\[
SST = (70 – 80)^2 + (75 – 80)^2 + (80 – 80)^2 + (85 – 80)^2 + (90 – 80)^2 = 100 + 25 + 0 + 25 + 100 = 250
\]
\[
SSR = \sum (\hat{Y}_i – \bar{Y})^2
\]
Каде што \( \hat{Y}_i \) е предвидената вредност на регресионата равенка:
\[
\hat{Y}_i = 64.6 + 3.08X_i
\]
\[
\шапка{Y} = [67.76, 70.84, 76.0, 82.16, 85.24]
\]
\[
\bar{Y} = 80
\]
\[
ССР = (67.76 – 80)^2 + (70.84 – 80)^2 + (76.0 – 80)^2 + (82.16 – 80)^2 + (85.24 – 80)^2
\]
\[
ССР = (-12.24)^2 + (-9.16)^2 + (-4.0)^2 + 2.16^2 + 5.24^2 = 149.8
\]
2. Пресметување на SSE:
\[
ЈСЕ = ЈСТ – ССР = 250 – 149.8 = 100.2
\]
3. Пресметување на R-квадрат:
\[
R^2 = \frac{SSR}{SST} = \frac{149.8}{250} приближно 0.6
\]
R-квадрат вредност од 0.6 покажува дека овој модел објаснува приближно 60% од варијацијата во податоците. Ова покажува дека регресионата линија се вклопува доста добро во податоците.
4. t-тест за значајност на коефициентот \(b \):
\[
t = \frac{b}{SE(b)}
\]
\[
SE(b) = \sqrt{\frac{SSE}{n-2}} / \sqrt{\sum (X_i – \bar{X})^2}
\]
\[
SE(b) = \sqrt{\frac{100.2}{5-2}} / \sqrt{26}
\]
\[
SE(b) = 33.4 / 26 приближно 1.13
\]
\[
t = \frac{3.08}{1.13} \approx 2.73
\]
Со t-статистичка вредност (приближно 2.73), ако користиме заеднички праг за значајност (α = 0.05), ја споредуваме со t-табелата. На пример, за df = 3), критичната вредност (t) е приближно 2.353. Потоа (t-набљудувано > t-критично), што укажува дека коефициентот е значаен.
Заклучок
Во оваа статија, ги опфативме основите на линеарната регресија, како да се пресмета коефициентот на регресија и пресекот, како и како да се толкуваат резултатите користејќи примери на проблеми. Честата практика со различни збирки на податоци е од суштинско значење за да се стане вешт во користењето на овој метод. Линеарната регресија е вредна алатка во анализата на податоци и може да обезбеди длабок увид во односите меѓу променливите.
