Det er den linje, der giver den nærmeste pasform mellem variabler, hvis der skal være en lineær korrelation.
Eksempel:
I mit job som lærer havde jeg en fornemmelse af, at elever, der skårede godt i matematik også scorede godt i fysik og omvendt.
Så jeg lavede en scatterplot på et diagram i Excel, hvor x = Maths og y = Physics, hvor hver elev var repræsenteret af en prik.
Jeg bemærkede, at samling af punkter lignede en sigar-form i stedet for at være overalt (sidstnævnte ville betyde ingen korrelation overhovedet).
Og så gjorde jeg to ting:
(1) Jeg havde beregnet korrelationskoefficienten (som var høj)
(2) Jeg havde den "line best fit" trukket
Sidstnævnte er regressionslinjen, og du kan endda have en ligning knyttet til den.
Herfra kan du gøre en mere eller mindre rimelig forudsigelse af en score fra den anden, afhængigt af hvor god korrelationen er (korrelation er et andet emne).
Bemærkning:
Der er mange 'buts' og 'ifs'. For en ting skal du være rimeligt sikker på, at korrelationen er lineær.
Hvad er et eksempel på ikke-tilfældig parring baseret på adfærdsmæssige træk?
Det bedste eksempel er i påfugle, hvor den kvindelige peahen vælger en kompis baseret på størrelsen og flashinessen hos hanens halefjeder. Denne forskel mellem en mand og en kvinde for at tiltrække hjælpere kaldes seksuel dimorfisme. Et andet eksempel er, hvor nogle fugle vil vælge deres hjælpere baseret på fuglesang.
Hvad er forskellen mellem "være" og "er"? For eksempel, hvilket af følgende er korrekt? "Det er vigtigt, at vores piloter får den bedst mulige træning." eller "Det er vigtigt, at vores piloter får den bedst mulige træning."?
Se forklaring. Vær er en uendelig form, mens er er formen af den anden person entallet og alle personer flertallet. I eksempel sætningen foregår verbet af fagpiloterne, så der kræves personlig form ARE. Infinitive bruges mest efter verber som i sætning: Piloter skal være meget dygtige.
Hvad er den primære anvendelse af lineær regression? + Eksempel
Den primære anvendelse af lineær regression er at tilpasse en linje til 2 sæt data og bestemme, hvor meget de er relaterede. Eksempler er: 2 sæt aktiekurser regnskyl og afgrødeudgangstimer og karakterer Med hensyn til korrelation er den generelle konsensus: Korrelationsværdier på 0,8 eller højere betegner en stærk korrelation Korrelationsværdier på 0,5 eller højere op til 0,8 angiver en svag korrelation Korrelation værdier mindre end 0,5 angiver en meget svag korrelation f Lineær regressions- og korrelationsregnemaskine