Lineare Regression

Lerne, wie man die Ausgleichsgerade für Daten findet und damit Vorhersagen trifft.

Fortgeschritten25 MinLektion
Arbeitsblatt zum Drucken

Definition

Lineare Regression ist eine statistische Methode, um die Gerade zu finden, die am besten zu einer Menge von Datenpunkten passt. Diese Gerade, genannt Ausgleichsgerade oder Regressionsgerade, hält die senkrechten Abstände zwischen den Datenpunkten und der Geraden insgesamt so klein wie möglich.
Die Gleichung der Regressionsgeraden ist:
y=mx+by = mx + b
Dabei ist:
  • mm die Steigung (wie stark sich yy bei jeder Erhöhung von xx um eine Einheit ändert)
  • bb der y-Achsenabschnitt (der Wert von yy, wenn x=0x = 0)
Die Methode der kleinsten Quadrate findet die Gerade, die die Summe der quadrierten Abstände (Residuen) von jedem Punkt zur Geraden minimiert:
Summe der Residuenquadrate=∑(yi−y^i)2\text{Summe der Residuenquadrate} = \sum(y_i - \hat{y}_i)^2

Probier es gleich aus

Was stellt die Steigung in einer Regressionsgeraden y=mx+by = mx + b dar?

Lösungsbeispiele

Ein Café erfasst die tägliche Temperatur (°C) und den Eiskaffee-Verkauf:
TemperaturVerkauf
1520
2035
2545
3060
3570
 Finde die Gleichung der Regressionsgeraden.
1

Berechne die Mittelwerte

xˉ=15+20+25+30+355=25\bar{x} = \frac{15+20+25+30+35}{5} = 25 yˉ=20+35+45+60+705=46\bar{y} = \frac{20+35+45+60+70}{5} = 46 → xˉ=25\bar{x} = 25, yˉ=46\bar{y} = 46
2

Berechne die Steigung mit der Formel

m=∑(xi−xˉ)(yi−yˉ)∑(xi−xˉ)2m = \frac{\sum(x_i - \bar{x})(y_i - \bar{y})}{\sum(x_i - \bar{x})^2} Zähler: (−10)(−26)+(−5)(−11)+(0)(−1)+(5)(14)+(10)(24)=260+55+0+70+240=625(-10)(-26) + (-5)(-11) + (0)(-1) + (5)(14) + (10)(24) = 260 + 55 + 0 + 70 + 240 = 625 Nenner: 100+25+0+25+100=250100 + 25 + 0 + 25 + 100 = 250 → m=625250=2,5m = \frac{625}{250} = 2{,}5
3

Berechne den y-Achsenabschnitt

b=yˉ−mxˉ=46−2,5(25)=46−62,5=−16,5b = \bar{y} - m\bar{x} = 46 - 2{,}5(25) = 46 - 62{,}5 = -16{,}5 → b=−16,5b = -16{,}5
4

Schreibe die Regressionsgleichung

y=2,5x−16,5y = 2{,}5x - 16{,}5 → Regressionsgerade: y=2,5x−16,5y = 2{,}5x - 16{,}5

Häufige Fehler

Annehmen, dass die Regressionsgerade durch alle Datenpunkte verläuft

Warum es falsch ist: Die Ausgleichsgerade minimiert den Gesamtfehler, verläuft aber selten durch jeden Punkt. Punkte über und unter der Geraden sind normal.

Richtig: Verstehe, dass die Regressionsgerade den allgemeinen Trend darstellt, nicht die einzelnen Datenpunkte.

Die Regressionsgleichung für Extrapolation weit außerhalb des Datenbereichs verwenden

Warum es falsch ist: Die Beziehung gilt möglicherweise nicht außerhalb des Bereichs der beobachteten Daten. Vorhersagen weit über deine Daten hinaus können unrealistische Ergebnisse liefern.

Richtig: Sei vorsichtig bei Vorhersagen für x-Werte weit außerhalb deines Datenbereichs. Beachte, wenn du extrapolierst.

Korrelation mit Kausalität verwechseln

Warum es falsch ist: Eine starke lineare Beziehung bedeutet nicht, dass eine Variable Änderungen in der anderen verursacht. Es können andere Faktoren beteiligt sein.

Richtig: Verwende Regression, um Beziehungen zu beschreiben und Vorhersagen zu treffen, aber sei vorsichtig mit Kausalitätsbehauptungen.

Vergessen zu prüfen, ob ein lineares Modell angemessen ist

Warum es falsch ist: Nicht alle Daten folgen einem linearen Muster. Die Verwendung linearer Regression bei nichtlinearen Daten liefert irreführende Ergebnisse.

Richtig: Stelle deine Daten immer zuerst grafisch dar. Wenn das Streudiagramm eine Kurve zeigt, ist lineare Regression möglicherweise nicht die beste Wahl.

Interaktive Visualisierung

Streudiagramm

Temperatur und Eiskaffee-Verkäufe

1520253035203040506070Temperatur (°C)Verkäufe

ŷ = 2,5x − 16,5

r = 0,998 · starke positive Korrelation

Tippe auf einen Punkt, um seine Koordinaten zu sehen.

Interaktiver Sandkasten

Interaktiver Grapher

0510152025303540-20020406080100xy

Tippe auf den Graphen oder fahre mit der Maus darüber, um Werte abzulesen.

Probiere diese Beispiele:

y = 2.5x - 16.5

m=2,5, b=-16,5

Ausdrucksrechner

Probiere diese:

Verlauf

Noch keine Berechnungen

Übungsaufgaben

16 Aufgaben
Aufgabe 1 von 16
Einfach
Was stellt die Steigung in einer Regressionsgeraden y=mx+by = mx + b dar?

Warum es wichtig ist

Lineare Regression ist eines der wichtigsten Werkzeuge in der Datenanalyse:
  • Wirtschaft: Vorhersage von Umsätzen basierend auf Werbeausgaben oder Preisänderungen
  • Wissenschaft: Modellierung von Beziehungen zwischen Variablen in Experimenten
  • Medizin: Vorhersage von Patientenergebnissen basierend auf Behandlungsdaten
  • Volkswirtschaft: Prognose wirtschaftlicher Indikatoren basierend auf historischen Trends
  • Sport: Analyse von Spielerleistungen und Vorhersage zukünftiger Statistiken
Das Verständnis von Regression hilft dir, datenbasierte Vorhersagen zu treffen und Trends zu erkennen, die durch bloßes Betrachten der Rohdaten unmöglich zu sehen wären.

Anwendungen im echten Leben

Immobilienpreise vorhersagen

Immobilienanalysten verwenden lineare Regression, um Hauspreise basierend auf Merkmalen wie Quadratmeterzahl, Anzahl der Schlafzimmer oder Entfernung zum Stadtzentrum zu schätzen.

Beispiel:

Wenn y=2000x+30000y = 2000x + 30000, wobei xx die Wohnfläche in Quadratmetern und yy der Preis in Euro ist, würde eine 100 m² große Wohnung etwa 2000(100) + 30000 = 230000 € kosten.

1Probiere es selbst

Ein Immobilienmodell zeigt: Preis = 2500x + 20000 (wobei x = Quadratmeter).

Welchen Preis würdest du für eine 120 m² große Wohnung vorhersagen?

Schritt 1: Schreibe den mathematischen Ausdruck

Setze in die Gleichung ein:

Kraftstoffverbrauch analysieren

Automobilingenieure nutzen Regression, um zu verstehen, wie das Fahrzeuggewicht den Kraftstoffverbrauch beeinflusst.

Beispiel:

Wenn Kraftstoffverbrauch (L/100km) = 0,004 × Gewicht (kg) + 2, würde ein 1500 kg Auto 0,004(1500) + 2 = 8 L/100km verbrauchen.

2Probiere es selbst

Die Daten eines Autoherstellers zeigen: Verbrauch = 0,005w + 1,5 (wobei w = Gewicht in kg).

Sage den Kraftstoffverbrauch für ein 1200 kg Fahrzeug vorher.

Schritt 1: Schreibe den mathematischen Ausdruck

Berechne:

Geschäftliche Umsatzprognose

Unternehmen nutzen Regression, um zukünftige Umsätze basierend auf Werbeausgaben vorherzusagen und so ihre Marketingbudgets effektiv zu verteilen.

Beispiel:

Wenn monatlicher Umsatz = 3 × Werbeausgaben + 10000, prognostiziert eine Ausgabe von 5000 € für Werbung einen Umsatz von 3(5000) + 10000 = 25000 €.

3Probiere es selbst

Das Modell eines Unternehmens: Umsatz = 4 × Werbebudget + 8000.

Wenn sie 3000 € für Werbung ausgeben, welchen Umsatz können sie erwarten?

Schritt 1: Schreibe den mathematischen Ausdruck

Berechne den vorhergesagten Umsatz:

Wichtige Erkenntnisse

  • 1Lineare Regression findet die Gerade, die am besten zu einer Menge von Datenpunkten passt
  • 2Die Gleichung der Regressionsgeraden ist y=mx+by = mx + b, wobei mm die Steigung und bb der y-Achsenabschnitt ist
  • 3Die Steigung gibt an, wie stark sich yy bei jeder Erhöhung von xx um eine Einheit ändert
  • 4Der y-Achsenabschnitt ist der vorhergesagte Wert von yy, wenn x=0x = 0
  • 5Verwende Regression für Vorhersagen, aber sei vorsichtig beim Extrapolieren weit über deine Daten hinaus

Häufig gestellte Fragen

Wenn dein Streudiagramm eine Kurve statt einer Geraden zeigt, ist lineare Regression möglicherweise nicht geeignet. Erwäge stattdessen polynomiale Regression oder andere nichtlineare Modelle.
Wenn dein Streudiagramm eine Kurve statt einer Geraden zeigt, ist lineare Regression möglicherweise nicht geeignet. Erwäge stattdessen polynomiale Regression oder andere nichtlineare Modelle.
Nein. Regression zeigt Beziehungen (Korrelationen), kann aber keine Kausalität beweisen. Zwei Variablen könnten aufgrund eines dritten Faktors zusammenhängen, nicht weil eine die andere verursacht.
Ein Residuum ist die Differenz zwischen einem tatsächlichen Datenpunkt und dem vorhergesagten Wert der Regressionsgeraden: Residuum = ytatsa¨chlich−yvorhergesagty_{\text{tatsächlich}} - y_{\text{vorhergesagt}}. Positive Residuen bedeuten, dass der Punkt über der Geraden liegt; negative bedeuten darunter.

Glossar

Lineare Regression
Eine statistische Methode, um die Gerade zu finden, die am besten zu einer Menge von Datenpunkten passt
Ausgleichsgerade
Die Regressionsgerade, die die Summe der quadrierten Residuen minimiert
Steigung
Die Änderungsrate; wie stark yy bei jeder Erhöhung von xx um eine Einheit zunimmt
Y-Achsenabschnitt
Der Wert von yy, wenn x=0x = 0; wo die Gerade die y-Achse schneidet
Residuum
Die Differenz zwischen einem tatsächlichen Datenpunkt und seinem vorhergesagten Wert auf der Regressionsgeraden
Kleinste Quadrate
Die Methode, die die Gerade findet, welche die Summe der quadrierten Residuen minimiert
Extrapolation
Verwendung einer Regressionsgleichung zur Vorhersage von Werten außerhalb des Bereichs der ursprünglichen Daten

Formelkarte

Regressionsgerade

y=mx+by = mx + b

Die Gleichung der Ausgleichsgeraden mit Steigung m und y-Achsenabschnitt b

Steigungsformel

m=∑(xi−xˉ)(yi−yˉ)∑(xi−xˉ)2m = \frac{\sum(x_i - \bar{x})(y_i - \bar{y})}{\sum(x_i - \bar{x})^2}

Berechne die Steigung aus den Datenpunkten mit Mittelwerten

Y-Achsenabschnitt

b=yˉ−mxˉb = \bar{y} - m\bar{x}

Berechne den y-Achsenabschnitt mit Steigung und Mittelwerten

Residuum

ei=yi−y^ie_i = y_i - \hat{y}_i

Die Differenz zwischen tatsächlichem und vorhergesagtem Wert

Heutige ChallengeEine Aufgabe, drei Versuche

Mehr zu diesem Thema

Einführung in die Regression

Fortgeschritten25 Min

Streudiagramme

Mittelstufe25 Min

Ausgleichsgerade

Mittelstufe25 Min

Vorhersagen aus Daten treffen

Mittelstufe25 Min