Ini adalah garis yang memberikan kesesuaian yang paling dekat antara pemboleh ubah jika ada yang sepatutnya menjadi korelasi linear.
Contoh:
Dalam tugas saya sebagai guru, saya mempunyai perasaan bahawa pelajar yang menjaringkan nilai baik dalam Matematik juga menjaringkan kebaikan dalam Fizik dan sebaliknya.
Oleh itu, saya membuat hamburan dalam carta di Excel, di mana x = Matematik dan y = Fizik, di mana setiap pelajar mewakili titik.
Saya perhatikan bahawa pengumpulan mata kelihatan seperti bentuk sigar sebagai gantinya di seluruh tempat (yang terakhir bermakna Tiada korelasi sama sekali).
Dan kemudian saya melakukan dua perkara:
(1) saya mempunyai koefisien korelasi dikira (yang tinggi)
(2) Saya mempunyai "garis yang paling sesuai" yang dikeluarkan
Yang terakhir adalah garis regresi, dan anda juga boleh mempunyai persamaan yang melekat padanya.
Daripada ini, anda boleh membuat ramalan yang lebih atau kurang munasabah tentang satu skor dari yang lain, bergantung pada seberapa baik korelasi itu (korelasi adalah subjek lain).
Catatan:
Terdapat banyak 'buta' dan 'ifs'. Untuk satu perkara, anda harus yakin bahawa korelasi adalah linear.
Apakah analisis regresi memberitahu anda? + Contoh
Ia mendedahkan bentuk hubungan antara pembolehubah. Sila rujuk jawapan saya mengenai Apakah analisis regresi ?. Ia mendedahkan bentuk hubungan antara pembolehubah. Sebagai contoh, sama ada hubungan itu mempunyai kaitan positif, mempunyai kaitan negatif atau tiada hubungan. Sebagai contoh, produktiviti hujan dan pertanian sepatutnya sangat berkorelasi tetapi hubungannya tidak diketahui. Jika kita mengenal pasti hasil tanaman untuk menunjukkan produktiviti pertanian, dan pertimbangkan dua hasil tanaman variabel y dan hujan x. Pembinaan garis regresi y pada x akan masuk akal dan akan dapat menunjukkan kebergantungan hasil tan
Apakah kegunaan utama regresi linear? + Contoh
Penggunaan utama regresi linier adalah untuk menyesuaikan garis ke 2 set data dan menentukan berapa banyaknya yang berkaitan. Contoh-contohnya ialah: 2 set harga saham harga hujan dan hasil kajian jam dan gred dengan nilai Berkaitan dengan korelasi, persetujuan umum ialah: Nilai korelasi 0.8 atau lebih tinggi menunjukkan korelasi yang kuat Nilai korelasi 0.5 atau lebih tinggi sehingga 0.8 menandakan korelasi korelasi yang lemah nilai kurang daripada 0.5 menunjukkan korelasi yang sangat lemah f Linear Regresi dan Kalkulator Korelasi
Kenapa garis bukan linear penting? + Contoh
Lihat di bawah Fungsi bukan linear adalah penting kerana ia digunakan dalam banyak aplikasi kehidupan sebenar. Sebagai contoh, parabola boleh digunakan untuk menggambarkan gerakan projektil. Fungsi eksponen adalah penting kerana ia boleh digunakan untuk menggambarkan pertumbuhan populasi bakteria kerana ia melipatgandakan dari masa ke masa. Fungsi sinusoidal boleh digunakan untuk memodelkan pergerakan pendulum atau roda ferris.