Zurück zur Lektion

Leitfaden für Lehrer: Lineare Regression

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

Lektion präsentierenIn Classroom teilenSchülerseite anzeigen

Diese Lektion im Unterricht nutzen

Kostenlos, keine Schülerkonten nötig.

Mit Schülern teilen

Die Schüler öffnen die Lektion und üben mit sofortigem Feedback.

Arbeitsblatt zum Drucken

Alle Übungsaufgaben auf Papier, mit separatem Lösungsblatt.

Arbeitsblatt Lösungen

Klassenquiz

10 Fragen zu Regression. Die Schüler machen mit einem Namen mit, du siehst alle Ergebnisse.

Für Lehrer

Lernziele
  • Das Konzept der linearen Regression und der Ausgleichsgeraden verstehen
  • Steigung und y-Achsenabschnitt mit der Methode der kleinsten Quadrate berechnen
  • Die Bedeutung von Steigung und y-Achsenabschnitt im Kontext interpretieren
  • Die Regressionsgleichung für Vorhersagen verwenden
  • Grenzen der linearen Regression einschließlich Extrapolationsrisiken erkennen
Voraussetzungen
  • • Verständnis von Streudiagrammen und Korrelation
  • • Kenntnis linearer Funktionen in der Form y=mx+by = mx + b
  • • Grundlegendes Verständnis von Mittelwert und Summennotation
  • • Vertrautheit mit Koordinatengrafiken
Diskussionsstarter
  • 1. Warum heißt die Methode wohl 'kleinste Quadrate'? Was machen wir 'am kleinsten'?
  • 2. Kannst du dir eine reale Situation vorstellen, in der zwei Variablen zusammenhängen, aber eine nicht die andere verursacht?
  • 3. Wann wäre es gefährlich, eine Regressionsgerade weit über deine Daten hinaus zu extrapolieren?
  • 4. Wie würdest du entscheiden, ob lineare Regression gut zu deinen Daten passt?
Häufige Missverständnisse

Die Regressionsgerade muss durch mindestens zwei Datenpunkte verlaufen

Abhilfe: Zeige Beispiele, bei denen die Gerade durch keinen Punkt verläuft. Betone, dass die Gerade den Gesamtfehler minimiert, nicht die einzelnen Abstände.

Eine starke Korrelation bedeutet, dass wir perfekt vorhersagen können

Abhilfe: Selbst bei starker Korrelation gibt es immer einen Fehler. Diskutiere Residuen und warum perfekte Vorhersage selten möglich ist.

Der y-Achsenabschnitt hat immer eine sinnvolle Interpretation

Abhilfe: Diskutiere Fälle, in denen x=0 bedeutungslos oder außerhalb des Datenbereichs liegt. Zum Beispiel die Vorhersage der Größe bei Alter 0 oder des Gewichts bei Größe 0.

Differenzierungsideen

Für Schüler mit Schwierigkeiten:

  • • Mit einfachen Datensätzen (3-4 Punkte) mit schönen Zahlen beginnen
  • • Grafikrechner oder Software bereitstellen, die die Regression automatisch berechnet
  • • Zuerst die Interpretation in den Mittelpunkt stellen, dann die Berechnung
  • • Visuelle Darstellungen verwenden, um zu zeigen, was 'beste Anpassung' bedeutet

Für Schüler auf Niveau:

  • • Regression von Hand für kleine Datensätze berechnen
  • • Vorhersagen treffen und mit tatsächlichen Werten vergleichen
  • • Residuen analysieren, um die Anpassungsqualität zu bewerten
  • • Regression auf reale Szenarien anwenden

Für fortgeschrittene Schüler:

  • • Die Herleitung der Formeln der kleinsten Quadrate erkunden
  • • Das Bestimmtheitsmaß (r2r^2) berechnen und interpretieren
  • • Regressionsgeraden verschiedener Datensätze vergleichen
  • • Untersuchen, wann Residuendiagramme eine schlechte lineare Anpassung anzeigen
Standardausrichtung
  • HSS.ID.B.6 (CCSS.MATH.CONTENT.HSS.ID.B.6)

    Daten zweier quantitativer Variablen in einem Streudiagramm darstellen und beschreiben, wie die Variablen zusammenhängen

  • HSS.ID.B.6.C (CCSS.MATH.CONTENT.HSS.ID.B.6.C)

    Eine lineare Funktion an ein Streudiagramm anpassen, das eine lineare Assoziation nahelegt

  • HSS.ID.C.7 (CCSS.MATH.CONTENT.HSS.ID.C.7)

    Die Steigung und den Achsenabschnitt eines linearen Modells im Kontext der Daten interpretieren

Lektionsressourcen
  • visualInteraktives Regressionswerkzeug

    Schüler plotten Punkte und sehen die Ausgleichsgerade in Echtzeit berechnet

  • activityDatenerfassungsprojekt

    Sammle echte Daten (Größe vs. Armspannweite, Lernzeit vs. Noten) und finde Regressionsgeraden

  • worksheetRegressionsberechnungsübung

    Übe die Berechnung von Steigung, Achsenabschnitt und das Treffen von Vorhersagen

Lektionsinhalt

Alles, was die Schüler sehen: Definition, Beispiele, typische Fehler, Anwendungen. Zum Öffnen tippen.

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

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.

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

Was, wenn meine Daten nicht linear aussehen?

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

Kann Regression beweisen, dass eine Sache eine andere verursacht?

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

Was ist ein Residuum?

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

Mehr zu diesem Thema

Einführung in die Regression

Fortgeschritten25 Min

Streudiagramme

Mittelstufe25 Min

Ausgleichsgerade

Mittelstufe25 Min

Vorhersagen aus Daten treffen

Mittelstufe25 Min