Docentenhandleiding: Inleiding tot regressie
Leer hoe je de best passende lijn door datapunten vindt en voorspellingen maakt met lineaire regressie.
Gebruik deze les in de klas
Gratis, leerlingen hebben geen account nodig.
Delen met leerlingen
Leerlingen openen de les en oefenen met directe feedback.
Klassenquiz
10 vragen over Regressie. Leerlingen doen mee met een naam, jij ziet alle scores.
Voor docenten
- Lineaire regressie definiëren en het doel ervan uitleggen
- De helling van een lijn berekenen uit twee punten
- De vergelijking van een regressielijn schrijven in de vorm
- Een regressievergelijking gebruiken om voorspellingen te doen
- De betekenis van helling en y-snijpunt interpreteren in praktijkcontexten
- • Begrip van coördinatenvlakken en het tekenen van punten
- • Vermogen om de helling te berekenen met stijging over verloop
- • Vertrouwdheid met lineaire vergelijkingen in helling-snijpuntvorm
- • Basisbegrip van spreidingsdiagrammen
- 1. Waarom zou het onbetrouwbaar kunnen zijn om ver in de toekomst te voorspellen met een regressielijn?
- 2. Kun je twee variabelen in je leven bedenken die een lineaire relatie zouden kunnen hebben?
- 3. Wat is het verschil tussen correlatie en causaliteit? Geef een voorbeeld.
- 4. Hoe zouden bedrijven regressie kunnen gebruiken om beslissingen te nemen?
De regressielijn moet door elk datapunt gaan
Een hogere helling betekent altijd een betere relatie
Voor leerlingen met moeite:
- • Begin met data die perfect op een lijn ligt voordat spreiding wordt geïntroduceerd
- • Gebruik aanvankelijk alleen positieve hellingen
- • Bied referentiekaarten voor de hellingsformule
- • Gebruik concrete, herkenbare voorbeelden (lengte vs. schoenmaat)
Voor leerlingen op niveau:
- • Werk met realistische verspreide data
- • Neem negatieve hellingen op (inverse relaties)
- • Oefen zowel het vinden van vergelijkingen als het doen van voorspellingen
- • Analyseer de betekenis van de helling in context
Voor gevorderde leerlingen:
- • Introduceer het concept van residuen
- • Bespreek interpolatie vs. extrapolatie
- • Verbind met de correlatiecoëfficiënt ()
- • Werk met technologie om regressielijnen te fitten aan grotere datasets
- HSS.ID.B.6 (CCSS.MATH.CONTENT.HSS.ID.B.6)
Data over twee kwantitatieve variabelen weergeven in een spreidingsdiagram en beschrijven hoe de variabelen gerelateerd zijn
- HSS.ID.B.6.C (CCSS.MATH.CONTENT.HSS.ID.B.6.C)
Een lineaire functie fitten voor een spreidingsdiagram dat een lineaire associatie suggereert
- HSS.ID.C.7 (CCSS.MATH.CONTENT.HSS.ID.C.7)
De helling en het snijpunt van een lineair model interpreteren in de context van de data
- visualInteractieve regressie-plotter
Leerlingen plaatsen punten en zien de best passende lijn automatisch aanpassen
- activityEchte data-analyse
Echte datasets analyseren en voorspellingen doen met regressie
- worksheetRegressie-oefeningen
Hellingen berekenen, vergelijkingen vinden en voorspellingen doen
Lesinhoud
Alles wat leerlingen zien: definitie, voorbeelden, veelgemaakte fouten, toepassingen. Tik om te openen.
Lesinhoud
Alles wat leerlingen zien: definitie, voorbeelden, veelgemaakte fouten, toepassingen. Tik om te openen.
Definitie
- de helling is (hoe steil de lijn is)
- het y-snijpunt is (waar de lijn de y-as snijdt)
- de invoervariabele is (onafhankelijke variabele)
- de voorspelde uitvoer is (afhankelijke variabele)
Uitgewerkte voorbeelden
Een studie toont aan dat voor elk extra uur studeren de testscores met 5 punten stijgen. Als een student die 0 uur studeert 50 punten scoort, wat is de regressievergelijking?
De helling identificeren
Score stijgt met 5 punten per uur studeren →
Het y-snijpunt identificeren
Wanneer uur, is de score 50 punten →
De vergelijking schrijven
Vul en in in →
Antwoord: De regressievergelijking is , waarbij het aantal uren studeren is en de voorspelde score.
Veelgemaakte fouten
De volgorde van aftrekking in de hellingsformule verwarren
Waarom het fout is: Het gebruik van in plaats van geeft het omgekeerde van de juiste helling.
Correct: Onthoud: helling is 'stijging over verloop' - de verandering in (verticaal) gedeeld door de verandering in (horizontaal).
Te ver buiten de data extrapoleren
Waarom het fout is: De regressielijn is alleen betrouwbaar binnen het bereik van je data. Voorspellen ver buiten dit bereik kan leiden tot onrealistische resultaten.
Correct: Wees voorzichtig met voorspellingen voor -waarden die veel groter of kleiner zijn dan je oorspronkelijke datapunten.
Aannemen dat correlatie causaliteit betekent
Waarom het fout is: Alleen omdat twee variabelen gerelateerd zijn (gecorreleerd) betekent niet dat de ene de andere veroorzaakt.
Correct: Regressie toont relaties, maar aanvullende analyse is nodig om causaliteit vast te stellen.
Waarom het belangrijk is
- Zakelijk: Verkoop voorspellen op basis van advertentie-uitgaven
- Geneeskunde: Medicijndosering schatten op basis van patiëntgewicht
- Economie: BBP-groei voorspellen uit verschillende indicatoren
- Sport: Prestaties van atleten projecteren uit trainingsmetrieken
- Wetenschap: Relaties tussen variabelen modelleren in experimenten
Toepassingen in de echte wereld
Huizenprijzen voorspellen
Vastgoedanalisten gebruiken regressie om huiswaarden te schatten op basis van factoren zoals vierkante meters, aantal slaapkamers en locatie.
Voorbeeld:
Als huizen voor ongeveer €1500 per vierkante meter verkopen met een basisprijs van €50000, zou de vergelijking kunnen zijn, waarbij het aantal vierkante meters is.
Een vastgoedmodel toont: , waarbij het aantal vierkante meters is en de prijs in euro.
Wat is de voorspelde prijs voor een huis van 150 vierkante meter?
Stap 1: Schrijf de wiskundige uitdrukking
Vul in de vergelijking in:
Brandstofefficiëntie-analyse
Auto-ingenieurs gebruiken regressie om te begrijpen hoe het voertuiggewicht het brandstofverbruik beïnvloedt.
Voorbeeld:
Data zou kunnen tonen dat de brandstofefficiëntie met 0,005 km/L afneemt voor elke kilogram extra gewicht.
Een automodel toont: , waarbij het gewicht in kg is en de efficiëntie in km/L.
Welke efficiëntie wordt voorspeld voor een auto van 1200 kg?
Stap 1: Schrijf de wiskundige uitdrukking
Bereken:
Belangrijke punten
- 1Lineaire regressie vindt de lijn die het beste past bij een verzameling datapunten
- 2De regressievergelijking is , waarbij de helling is en het y-snijpunt
- 3De helling wordt berekend als (stijging over verloop)
- 4Zodra je de vergelijking hebt, kun je voorspellingen doen door waarden voor in te vullen
- 5Regressie toont correlatie, maar correlatie impliceert geen causaliteit
Veelgestelde vragen
Wat als mijn datapunten niet precies op een lijn vallen?
Hoe weet ik of mijn regressielijn een goede fit is?
Kan regressie worden gebruikt voor niet-lineaire relaties?
Woordenlijst
- Lineaire regressie
- Een statistische methode om de best passende rechte lijn door datapunten te vinden
- Best passende lijn
- De rechte lijn die de afstand tussen zichzelf en alle datapunten minimaliseert
- Helling
- De steilheid van de lijn, die de veranderingssnelheid voorstelt ( in )
- Y-snijpunt
- Het punt waar de lijn de y-as snijdt ( in )
- Voorspelling
- De regressievergelijking gebruiken om te schatten voor een gegeven waarde van
- Onafhankelijke variabele
- De invoervariabele () die we gebruiken om voorspellingen te doen
- Afhankelijke variabele
- De uitvoervariabele () die we proberen te voorspellen