Beispiel 1
\(\text{Points: } (1,2), (2,4), (3,5), (4,4), (5,5) \rightarrow y = 0.6x + 2.2, R^2 = 0.64\)
Lineare Regression
Führen Sie lineare Regressionsanalyse mit Korrelation und Vorhersage durch
Ergebnisse
Geben Sie Werte ein und klicken Sie auf Berechnen, um das Ergebnis zu sehen.
Lineare Regression
Die lineare Regression bestimmt die am besten passende Gerade durch eine Menge von Datenpunkten mit der Methode der kleinsten Quadrate.
- Steigung (m): Die Steigung der Regressionsgeraden; wie stark sich y pro Einheitsänderung von x ändert.
- Achsenabschnitt (b): Der y-Wert, an dem die Gerade die y-Achse schneidet (bei x = 0).
- R²: Bestimmtheitsmaß; der Anteil der Varianz von y, der durch x erklärt wird (0 bis 1).
- Korrelation (r): Pearson-Korrelationskoeffizient, der Stärke und Richtung des linearen Zusammenhangs misst (−1 bis +1).
Die Regressionsgerade ist diejenige Gerade, die die Summe der quadrierten vertikalen Abstände der Datenpunkte minimiert.
\(y = mx + b, m = \frac{n\sum xy - \sum x \sum y}{n\sum x^2 - (\sum x)^2}, b = \bar{y} - m\bar{x}\)
Gelöste Beispiele
Beispiel 2
\(\text{Study hours vs test scores} \rightarrow \text{Find relationship and predict outcomes}\)