Hvad er enkel lineær regression?

Simpel lineær regression gælder statistikker og hjælper med at beskrive (x, y) data, der synes at have et lineært forhold, giver mulighed for en vis forudsigelse af y hvis x er kendt. Disse data er ofte afbildet på scatterplots og formlen for lineær regression skaber en linje, der bedst passer til alle de punkter, hvis de virkelig har en lineær sammenhæng. Det vil ikke passe nøjagtigt alle de punkter, men det skal være en linje, hvor summen af ​​kvadraterne af forskellen mellem de faktiske data og forventede data (restprodukter) skaber det laveste antal, som ofte kaldes den mindste kvadraters linje eller linje bedste pasform. Ligningen af linjen for eksempeldata og befolkningsdata er følgende: y = b 0 + b 1 x og Y = B 0 + B 1 x.

Kendere algebra kan notere ligheden mellem denne linje til y = mx + b, og i virkeligheden de to er forholdsvis ens, bortset fra de to udtryk på højre side af ligningen er tændt, så B 1 er lig skråning eller m. Årsagen til denne omlægning er det så bliver elegant nemt at tilføje yderligere vilkår med funktioner som eksponenter, der kunne beskrive forskellige lineære former for forhold.

Formlerne til at få en simpel lineær regressionslinje er forholdsvis komplekse og besværlige, og de fleste mennesker ikke bruge meget tid på at skrive disse ned, fordi de tager lang tid at gennemføre. I stedet kan forskellige programmer, såsom Excel eller for mange typer videnskabelige regnemaskiner, nemt beregne en mindste kvadraters linje. Linjen er kun egnet til forudsigelse, hvis der er tydelige tegn på en stærk sammenhæng mellem sæt (x, y) data. En lommeregner vil generere en linje, uanset om det giver nogen mening at bruge det.

Samtidig en simpel lineær regression line ligning er genereret, skal folk se på niveau korrelation. Dette betyder at evaluere r, korrelationskoefficienten, mod en tabel over værdier for at bestemme om lineær korrelation. Derudover vurdere de data ved at plotte den som en Scatterplot er en god måde at få en mening, hvis data har en lineær sammenhæng.

Hvad kan derefter gøres med en simpel lineær regression line, forudsat at det har en lineær sammenhæng, er, at værdierne kan være substitueret i x, for at få en forudsagt værdi for y. Denne forudsigelse har sine begrænsninger. Den nuværende data, især hvis det er bare en prøve, kan have en lineær korrelation nu, men måske ikke senere med tilsat ekstra prøvemateriale.

Alternativt kan en hel prøve deler en korrelation, mens en hel population ikke. Forudsigelse er derfor begrænset, og går langt ud over de tilgængelige dataværdier kaldes ekstrapolation, og er ikke opmuntret. Desuden bør folk vide, at hvis der ikke lineær sammenhæng findes, det bedste skøn over x er middelværdien af ​​alle Y data.

Væsentlige, simpel lineær regression er et nyttigt statistisk værktøj, der kan, diskret, anvendes til at forudsige y værdier baseret på AX værdi. Det er næsten altid lært med tanken om lineær sammenhæng da bestemme nytten af ​​en regressionslinie kræver analyse af r. Heldigvis med mange moderne tekniske programmer, kan folk grafen scatterplots, tilføj regressionslinier og bestemme korrelationskoefficient r med et par poster.


© 2019 Zajacperrone.com | Contact us: webmaster# zajacperrone.com