Regresi Linear Ringkas: Panduan Matematik Langkah Demi Langkah
Kuasai regresi linear ringkas langkah demi langkah. Belajar mengira kecerunan, pintasan, R² dan korelasi (r) secara manual dengan contoh sebenar.
Setiap perjalanan statistik bermula dengan satu garis. Regresi linear ringkas ialah garis tersebut — model ramalan paling asas dalam sains data, dan asas yang membina setiap teknik regresi lanjutan.
Jika anda ingin meramal pembolehubah bersandar daripada satu pembolehubah bebas, Kalkulator Regresi Linear kami akan memberikan jawapan dalam beberapa saat. Walau bagaimanapun, memahami bagaimana jawapan itu diperoleh membezakan pengamal data daripada seseorang yang hanya menekan butang.
Panduan ini membawa anda melalui regresi linear ringkas dari prinsip asas. Kami akan mengambil set data kecil, mengira setiap nilai perantara secara manual, dan tiba pada persamaan akhir bersama-sama. Untuk pengenalan visual yang baik, layari panduan Garis Trend Khan Academy.
Apa yang Akan Anda Pelajari
Menjelang akhir artikel ini, anda akan dapat mengira persamaan regresi y = mx + b daripada data mentah, mentafsir keputusan, dan mengesahkan bahawa data anda memenuhi anggapan yang diperlukan.
Apa Itu Regresi Linear Ringkas?
Regresi linear ringkas memodelkan hubungan antara satu pembolehubah bebas (x) dan satu pembolehubah bersandar (y) dengan memasang garis lurus melalui data.
Perkataan “ringkas” membezakannya daripada regresi berganda, yang menggunakan dua atau lebih peramal. Garis yang dipasang dipilih untuk meminimumkan jumlah jarak menegak kuasa dua — kaedah yang dipanggil kuasa dua terkecil biasa (OLS).
Bila Menggunakannya (dan Bila Mengelaknya)
Gunakannya apabila:
- Anda mempunyai satu peramal berterusan dan satu hasil berterusan.
- Plot serakan menunjukkan corak lebih kurang linear.
- Anda ingin mengukur berapa banyak y berubah per unit x.
Elakkan apabila:
- Plot serakan menunjukkan lengkungan jelas — cuba kalkulator regresi kuadratik kami sebaliknya.
- Anda mempunyai berbilang peramal — gunakan regresi linear berganda.
- Data anda mengandungi pencilan ekstrem yang boleh memesongkan seluruh model.
Set Data
Katakan sebuah syarikat tuisyen mengesan jam belajar (x) dan skor ujian yang dihasilkan (y):
| Pelajar | Jam Belajar (x) | Skor Ujian (y) |
|---|---|---|
| 1 | 2 | 65 |
| 2 | 4 | 75 |
| 3 | 6 | 80 |
| 4 | 8 | 90 |
| 5 | 10 | 95 |
Langkah 1: Kira Min
Langkah pertama ialah mengira min aritmetik kedua-dua pembolehubah.
Min x (x̄): (2 + 4 + 6 + 8 + 10) / 5 = 6.0 Min y (ȳ): (65 + 75 + 80 + 90 + 95) / 5 = 81.0
Garis regresi akan sentiasa melalui titik (6.0, 81.0).
Langkah 2: Kirakan Sisihan dan Hasil Darab
Seterusnya, kami mengira sejauh mana setiap titik daripada min dan mendarab keputusan tersebut.
| Pelajar | x − x̄ | y − ȳ | (x − x̄)(y − ȳ) | (x − x̄)² |
|---|---|---|---|---|
| 1 | −4 | −16 | 64 | 16 |
| 2 | −2 | −6 | 12 | 4 |
| 3 | 0 | −1 | 0 | 0 |
| 4 | 2 | 9 | 18 | 4 |
| 5 | 4 | 14 | 56 | 16 |
| Jumlah | 150 | 40 |
Langkah 3: Kira Kecerunan (b₁)
Kecerunan memberitahu anda berapa banyak y berubah bagi setiap peningkatan satu unit dalam x.
b₁ = Σ(x − x̄)(y − ȳ) / Σ(x − x̄)² b₁ = 150 / 40 = 3.75
Tafsiran: Setiap jam belajar tambahan, skor ujian ramalan meningkat sebanyak 3.75 mata.
Langkah 4: Kira Pintasan (b₀)
Pintasan ialah y yang diramal apabila x = 0.
b₀ = ȳ − b₁ × x̄ b₀ = 81.0 − 3.75 × 6.0 = 58.5
Tafsiran: Pelajar yang belajar sifar jam diramal mendapat skor 58.5.
Langkah 5: Tulis Persamaan Akhir
Menggabungkan kedua-duanya: y = 58.5 + 3.75x
Model ini membolehkan anda membuat ramalan. Contohnya, belajar selama 7 jam menghasilkan: 58.5 + 3.75(7) = 84.75.
Bahaya Ekstrapolasi
Meramal di luar julat data anda (contohnya, belajar 50 jam) dipanggil ekstrapolasi. Ia sering menghasilkan keputusan yang tidak masuk akal dan harus dielakkan.
Langkah 6: Ukur Kesesuaian (R² dan r)
R² mengukur berapa banyak variasi dalam diterangkan oleh model. r (korelasi Pearson) mengukur kekuatan dan arah hubungan linear.
Untuk set data ini, kalkulator korelasi Pearson kami akan menghasilkan r sebanyak 0.9934, menunjukkan hubungan positif yang sangat kuat. Ketahui lebih lanjut tentang Pekali Korelasi Pearson di Statology.
Langkah 7: Sahkan Anggapan
Sebelum mempercayai keputusan anda, anda mesti memenuhi empat anggapan OLS. Pemeriksa anggapan regresi kami boleh membantu mengautomasikan ini:
- Kelinearan: Hubungan mengikut corak garis lurus.
- Kemandirian: Pemerhatian tidak bergantung antara satu sama lain.
- Homoskedastisiti: Residual (ralat) mempunyai varians malar.
- Kenormalan: Residual adalah lebih kurang bertaburan normal.
Melangkah Melebihi Regresi Ringkas
Sebaik sahaja anda menguasai asas, anda mungkin memerlukan alat yang lebih lanjut:
- Berbilang Peramal: Gunakan regresi linear berganda untuk senario kompleks.
- Corak Melengkung: Gunakan kalkulator regresi kuadratik kami.
- Model Pertumbuhan: Terokai kalkulator regresi eksponen.
Ringkasan Utama
- Kecerunan mewakili kadar perubahan.
- Pintasan menyediakan nilai asas pada x=0.
- R² mentakrifkan kuasa penjelasan model.
- Ekstrapolasi berisiko — kekal dalam julat data anda.
- Korelasi bukan kausaliti — statistik menunjukkan perkaitan, bukan semestinya sebab-akibat.
Sedia menguji data anda sendiri? Pergi ke kalkulator regresi percuma kami dan mulakan hari ini!