Die Regressionsgerade finden

Ein Café erfasst die tägliche Temperatur (°C) und den Eiskaffee-Verkauf: | Temperatur | Verkauf | |------------|--------| | 15 | 20 | | 20 | 35 | | 25 | 45 | | 30 | 60 | | 35 | 70 | Finde die Gleichung der Regressionsgeraden.

Berechne die Mittelwerte: $\bar{x} = \frac{15+20+25+30+35}{5} = 25$ $\bar{y} = \frac{20+35+45+60+70}{5} = 46$ = $\bar{x} = 25$, $\bar{y} = 46$

Berechne die Steigung mit der Formel: $m = \frac{\sum(x_i - \bar{x})(y_i - \bar{y})}{\sum(x_i - \bar{x})^2}$ Zähler: $(-10)(-26) + (-5)(-11) + (0)(-1) + (5)(14) + (10)(24) = 260 + 55 + 0 + 70 + 240 = 625$ Nenner: $100 + 25 + 0 + 25 + 100 = 250$ = $m = \frac{625}{250} = 2{,}5$

Berechne den y-Achsenabschnitt: $b = \bar{y} - m\bar{x} = 46 - 2{,}5(25) = 46 - 62{,}5 = -16{,}5$ = $b = -16{,}5$

Schreibe die Regressionsgleichung: $y = 2{,}5x - 16{,}5$ = Regressionsgerade: $y = 2{,}5x - 16{,}5$

Answer: Die Regressionsgerade ist $y = 2{,}5x - 16{,}5$. Das bedeutet: Für jeden Temperaturanstieg um 1°C steigt der Eiskaffee-Verkauf um etwa 2,5 Einheiten.

Vorhersagen treffen

Verwende die Regressionsgerade $y = 2{,}5x - 16{,}5$ aus dem Café-Beispiel, um den Verkauf bei 28°C vorherzusagen.

Identifiziere die Gleichung: $y = 2{,}5x - 16{,}5$ = Regressionsgleichung identifiziert

Setze den x-Wert ein: $y = 2{,}5(28) - 16{,}5$ = $y = 2{,}5 \times 28 - 16{,}5$

Berechne: $y = 70 - 16{,}5 = 53{,}5$ = $y = 53{,}5$

Answer: Der vorhergesagte Verkauf bei 28°C beträgt etwa 54 Eiskaffees.

Steigung und Achsenabschnitt interpretieren

Eine Studie ergibt, dass die Regressionsgerade für Lernstunden ($x$) und Prüfungsergebnis ($y$) $y = 8x + 40$ ist. Interpretiere Steigung und y-Achsenabschnitt.

Identifiziere die Steigung: $m = 8$ = Steigung ist 8

Interpretiere die Steigung: Für jede zusätzliche Lernstunde steigt das Prüfungsergebnis um 8 Punkte = 8 Punkte pro Lernstunde

Identifiziere den y-Achsenabschnitt: $b = 40$ = Y-Achsenabschnitt ist 40

Interpretiere den y-Achsenabschnitt: Wenn die Lernzeit 0 Stunden beträgt, ist das vorhergesagte Prüfungsergebnis 40 = Basispunktzahl von 40 Punkten

Answer: Steigung: Jede zusätzliche Lernstunde fügt 8 Punkte zum vorhergesagten Ergebnis hinzu. Y-Achsenabschnitt: Ein Schüler, der 0 Stunden lernt, würde etwa 40 Punkte erreichen (Basiswissen).

Mistake: Annehmen, dass die Regressionsgerade durch alle Datenpunkte verläuft

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

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

Mistake: Die Regressionsgleichung für Extrapolation weit außerhalb des Datenbereichs verwenden

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

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

Mistake: Korrelation mit Kausalität verwechseln

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

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

Mistake: Vergessen zu prüfen, ob ein lineares Modell angemessen ist

Why: Nicht alle Daten folgen einem linearen Muster. Die Verwendung linearer Regression bei nichtlinearen Daten liefert irreführende Ergebnisse.

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

Immobilienpreise vorhersagen

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

Wenn $y = 150x + 50000$ wobei $x$ Quadratmeter und $y$ der Preis in Euro ist, würde eine 100 m² Wohnung etwa 150(100) + 50000 = 65000 Euro kosten.

Kraftstoffeffizienz-Analyse

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

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

Geschäftliche Umsatzprognose

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

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

Q: Was, wenn meine Daten nicht linear aussehen?

A: Wenn dein Streudiagramm eine Kurve statt einer Geraden zeigt, ist lineare Regression möglicherweise nicht geeignet. Erwäge stattdessen polynomiale Regression oder andere nichtlineare Modelle.

Q: Kann Regression beweisen, dass eine Sache eine andere verursacht?

A: Nein. Regression zeigt Beziehungen (Korrelationen), kann aber keine Kausalität beweisen. Zwei Variablen könnten aufgrund eines dritten Faktors zusammenhängen, nicht weil eine die andere verursacht.

Q: Was ist ein Residuum?

A: Ein Residuum ist die Differenz zwischen einem tatsächlichen Datenpunkt und dem vorhergesagten Wert der Regressionsgeraden: Residuum = $y_{tatsächlich} - y_{vorhergesagt}$. Positive Residuen bedeuten, dass der Punkt über der Geraden liegt; negative bedeuten darunter.