Пример питања и дискусија о линеарној регресији
Линеарна регресија је статистичка метода која се користи за одређивање односа између две или више променљивих. Ова метода се широко користи у различитим областима, укључујући економију, бизнис, друштвене науке и природне науке. У овом чланку ћемо размотрити линеарну регресију, како је израчунати и пружити неколико примера проблема са објашњењима како бисмо помогли читаоцима да детаљније разумеју овај концепт.
Разумевање линеарне регресије
Линеарна регресија је аналитичка метода која се користи за моделирање односа између једне или више независних променљивих (предиктора) и зависне променљиве (одговора). Једноставна линеарна регресија укључује једну независну променљиву и једну зависну променљиву, док вишеструка линеарна регресија укључује више од једне независне променљиве.
Једначина једноставне линеарне регресионе линије је:
\[ Y = a + bX \]
Где:
– \( Y \) је зависна променљива.
– \( X \) је независна променљива.
– \( a \) је пресек са осом Y када је X = 0.
– \( b \) је коефицијент регресије, односно колико се Y мења ако се X промени за једну јединицу.
Кораци линеарне регресије
1. Прикупите податке: Прво, прикупите податке који ће бити анализирани.
2. Прикажите податке: Направите дијаграм расејања да бисте видели да ли постоји линеарна веза између променљивих.
3. Израчунајте коефицијент регресије: Користите метод најмањих квадрата да бисте одредили најбољу линију.
4. Тестирање модела: Тестирајте значајност коефицијената регресије t-тестом и одредите вредност R-квадрата да бисте видели колико добро модел одговара подацима.
Цонтох Соал и Пембахасан
Пример питања 1: Једноставна линеарна регресија
Питање:
Истраживач жели да зна везу између броја часова учења (X) и резултата студената на испитима (Y). Добијени подаци су следећи:
| Часови учења (X) | Резултат испита (Y) |
|——————–|——————–|
| 2 | 70 |
| 3 | 75 |
| 5 | 80 |
| 7 | 85 |
| 8 | 90 |
Направите једначину линеарне регресије из ових података!
пембахасан:
1. Израчунавање просека:
\[
\bar{X} = \frac{2 + 3 + 5 + 7 + 8}{5} = 5
\]
\[
\бар{И} = \фрац{70 + 75 + 80 + 85 + 90}{5} = 80
\]
2. Израчунавање коефицијента регресије \( b \):
\[
b = ∫sum (X_i – X)(Y_i – Y)}{∫sum (X_i – X)^2
\]
\[
∫(X_i – X)(Y_i – Y) = (2 – 5)(70 – 80) + (3 – 5)(75 – 80) + (5 – 5)(80 – 80) + (7 – 5)(85 – 80) + (8 – 5)(90 – 80)
\]
\[
= (-3)(-10) + (-2)(-5) + (0)(0) + (2)(5) + (3)(10) = 30 + 10 + 0 + 10 + 30 = 80
\]
\[
∫(X_i – X)^2 = (2 – 5)^2 + (3 – 5)^2 + (5 – 5)^2 + (7 – 5)^2 + (8 – 5)^2
\]
\[
= 9 + 4 + 0 + 4 + 9 = 26
\]
\[
b = \frac{80}{26} \approx 3.08
\]
3. Израчунавање пресека \( a \):
\[
a = ∈ Y – b ∈ X
\]
\[
а = 80 – 3.08 пута 5 = 80 – 15.4 = 64.6
\]
4. Једначина регресије:
\[
Y = 64.6 + 3.08X
\]
Дакле, једначина линеарне регресије за податке је \( Y = 64.6 + 3.08X \). То значи да се очекује да ће сваки додатни сат учења повећати резултат теста за 3.08 поена.
Пример питања 2: Тест модела и интерпретација
Питање:
Настављајући са истим подацима, израчунајте вредност R-квадрата (R²) да бисте измерили колико добро модел одговара подацима. Такође, тестирајте значајност коефицијента регресије (b).
пембахасан:
1. Израчунајте укупни збир квадрата (SST), регресиони збир квадрата (SSR) и збир квадрата грешака (SSE):
\[
SST = ∫(Y_i – ∫bar{Y})^2
\]
\[
ССТ = (70 – 80)^2 + (75 – 80)^2 + (80 – 80)^2 + (85 – 80)^2 + (90 – 80)^2 = 100 + 25 + 0 + 25 + 100 = 250
\]
\[
ССР = ∫sum (Y_i – Y)^2
\]
Где је \( \hat{Y}_i \) предвиђена вредност регресионе једначине:
\[
\hat{Y}_i = 64.6 + 3.08X_i
\]
\[
\хат{И} = [67.76, 70.84, 76.0, 82.16, 85.24]
\]
\[
Y = 80
\]
\[
ССР = (67.76 – 80)^2 + (70.84 – 80)^2 + (76.0 – 80)^2 + (82.16 – 80)^2 + (85.24 – 80)^2
\]
\[
ССР = (-12.24)^2 + (-9.16)^2 + (-4.0)^2 + 2.16^2 + 5.24^2 = 149.8
\]
2. Израчунавање SSE:
\[
SSE = SST – SSR = 250 – 149.8 = 100.2
\]
3. Израчунавање R-квадрата:
\[
R^2 = \frac{SSR}{SST} = \frac{149.8}{250} \approx 0.6
\]
Вредност R-квадрата од 0.6 указује да овај модел објашњава приближно 60% варијације у подацима. Ово указује да се линија регресије прилично добро уклапа у податке.
4. t-тест за значајност коефицијента \( b \):
\[
t = \frac{b}{SE(b)}
\]
\[
SE(b) = √(SSE)n-2 / √(X_i – X)^2
\]
\[
СЕ(б) = \скрт{\фрац{100.2}{5-2}} / \скрт{26}
\]
\[
SE(b) = 33.4 / 26 = приближно 1.13
\]
\[
t = \frac{3.08}{1.13} \approx 2.73
\]
Са t-статистиком од приближно 2.73, ако користимо заједнички праг значајности (α = 0.05), упоређујемо га са t-табелом. На пример, за df = 3, критична вредност t је приближно 2.353. Тада је t-посматрано > t-критично, што указује да је коефицијент значајан.
Закључак
У овом чланку смо обрадили основе линеарне регресије, како израчунати коефицијент регресије и пресек, и како интерпретирати резултате користећи примере проблема. Честа вежба са различитим скуповима података је неопходна да бисте постали вешти у коришћењу ове методе. Линеарна регресија је вредан алат у анализи података и може пружити дубок увид у односе између променљивих.
