Kalkulačka lineární regrese

Matematické základy metody nejmenších čtverců

Lineární regrese hledá přímku, která nejlépe vystihuje vztah mezi nezávislou proměnnou (prediktorem x) a závislou proměnnou (odezvou y). Kalkulačka lineární regrese k tomuto účelu využívá metodu nejmenších čtverců (OLS – Ordinary Least Squares). Cílem této metody je minimalizovat součet čtverců svislých odchylek (reziduí) mezi skutečnými datovými body a proloženou přímkou.

Pro zajištění maximální numerické přesnosti provádí kalkulačka výpočty sum odchylek od průměrů ve dvou průchodech s využitím kompenzovaného sčítání. Tím se předchází ztrátě přesnosti u datových sad, které obsahují řádově velmi odlišné hodnoty. Základní stavební kameny výpočtu tvoří následující sumy čtverců:

• Sxx = Σ(xᵢ − x̄)²
• Syy = Σ(yᵢ − ȳ)²
• Sxy = Σ(xᵢ − x̄)(yᵢ − ȳ)

Z těchto hodnot se následně odvozují klíčové parametry přímky. Směrnice přímky (b) vyjadřuje sklon a vypočítá se jako podíl b = Sxy ÷ Sxx. Průsečík s osou y (a) pak určuje bod, kde přímka protíná svislou osu, a jeho vzorec je a = ȳ − b·x̄. Výsledná rovnice přímky má tvar ŷ = a + b·x.

Interpretace regresních koeficientů a statistik

Každý z vypočtených koeficientů nese konkrétní informaci o chování zkoumaných dat:

• Směrnice b: Vyjadřuje průměrnou změnu závislé proměnné. V průměru se y mění o ‹slope› s každým zvýšením x o 1.
• Průsečík a: Definuje počáteční hodnotu na svislé ose. Tam, kde je x rovno 0, leží přímka na hodnotě y = ‹intercept›.
• Korelace r: Vyjadřuje sílu a směr lineárního vztahu. Nabývá hodnot od −1 do 1. Výpočet probíhá jako r = Sxy ÷ √(Sxx·Syy), což znamená, že korelace nese stejné znaménko jako směrnice přímky.
• Koeficient determinace R²: Představuje podíl variability odezvy vysvětlené modelem. Vypočítá se jako R² = SSR ÷ SST, kde SSR je vysvětlený součet čtverců a SST je celkový součet čtverců.
• Upravené R²: Korigovaný koeficient determinace, který zohledňuje počet bodů v analýze podle vzorce 1 − (1 − R²)(n − 1) ÷ (n − 2).
• Směrodatná odchylka reziduí s: Vyjadřuje typickou odchylku bodů od regresní přímky. Počítá se jako s = √(SSE ÷ (n − 2)), kde SSE je reziduální součet čtverců.

Testování hypotéz a tabulka ANOVA

Kalkulačka automaticky provádí statistické testy pro ověření významnosti regresního modelu. U každého koeficientu se počítá jeho směrodatná chyba:

• SE(b) = s ÷ √Sxx
• SE(a) = s · √(1÷n + x̄² ÷ Sxx)

Testová statistika t se určí jako podíl odhadu koeficientu a jeho směrodatné chyby. Pro směrnici platí t = b ÷ SE(b). Výsledná p-hodnota (p) se testuje oboustranně na n − 2 stupních volnosti pomocí regularizované neúplné beta funkce. Pokud je p-hodnota velmi malá, zamítáme nulovou hypotézu, že je směrnice rovna nule (tedy že mezi proměnnými neexistuje lineární vztah).

Tabulka "Rozptyl vysvětlený modelem" (ANOVA) rozděluje celkovou variabilitu dat (SST) na část vysvětlenou regresní přímkou (SSR) a na nevysvětlenou reziduální část (SSE). Vzhledem k tomu, že model pracuje s jedním prediktorem, celková statistika F odpovídá druhé mocnině statistiky t pro směrnici, což znamená, že oba testy poskytují identickou p-hodnotu.

Rozdíl mezi pásy spolehlivosti a předpovědi

Při odhadování hodnot pro nová x (pomocí funkce "Předpovědět y pro x") kalkulačka rozlišuje dva typy intervalů spolehlivosti:

1. Průměrný ‹level›% interval: Určuje rozsah, ve kterém se s danou spolehlivostí nachází skutečná střední hodnota (průměr) všech pozorování pro dané x. Směrodatná chyba pro střední hodnotu se počítá jako s · √(1÷n + (x₀ − x̄)² ÷ Sxx).
2. Individuální ‹level›% interval: Určuje rozsah pro jedno konkrétní budoucí pozorování. Protože jednotlivé měření vykazuje kromě nejistoty odhadu přímky také přirozenou variabilitu bodů kolem ní, je do vzorce zahrnut dodatečný rozptyl: s · √(1 + 1÷n + (x₀ − x̄)² ÷ Sxx). Z tohoto důvodu je individuální interval vždy širší než průměrný interval.

Oba typy intervalů se vizuálně i matematicky rozšiřují s tím, jak se hodnota x vzdaluje od průměru zadaných dat x̄. Pokud zadáte hodnotu mimo rozsah vstupních dat, kalkulačka zobrazí upozornění "mimo rozsah dat" s poznámkou: "Označené řádky používají hodnotu x mimo rozsah zadaných dat, takže přímka je prodlužována za hranici toho, co data ukazují.".

Pravidla pro zadávání dat a mezní stavy

Kalkulačka zpracovává data v reálném čase bez nutnosti klikat na jakékoli spouštěcí tlačítko. Podporuje dva typy rozvržení: "Párové řádky" a "Dva seznamy". Při práci s daty platí následující pravidla a omezení:

• Oddělovače: Při nastavení desetinné tečky se hodnoty v seznamech oddělují mezerami, čárkami nebo novými řádky. Při použití desetinné čárky se jako oddělovač seznamu používá mezera, středník nebo nový řádek.
• Záhlaví: Pokud první řádek při vložení z tabulkového procesoru obsahuje nečíselné texty, kalkulačka jej automaticky vyhodnotí jako záhlaví sloupců a přeskočí jej.
• Kapacita: Systém bezpečně zpracuje maximálně 50 000 bodů a 1 MB vloženého textu. Pro předpovědi lze zadat nejvýše 50 hodnot najednou.
• Zpracování dat: Všechny výpočty probíhají lokálně v prohlížeči uživatele. Vaše datové body a veškeré statistiky zůstávají v tomto prohlížeči a nikdy se neodesílají na server.

Matematické mezní stavy a chybová hlášení

Při analýze specifických datových sad mohou nastat tyto stavy:

• Pouze dva body: Zobrazí se stavová zpráva: "Dva body určují přímku přesně, takže nezbývá nic, z čeho by bylo možné odhadnout nejistotu.".
• Dokonalé proložení: Pokud všechny body leží na přímce, zobrazí se: "Body leží přesně na přímce, takže nevzniká žádný reziduální rozptyl a nelze odhadnout žádný interval ani hodnotu p.".
• Konstantní hodnoty Y: Pokud jsou všechny hodnoty y stejné, přímka je vodorovná. Systém ohlásí: "Všechny hodnoty y jsou stejné, takže přímka je vodorovná a r, R² i test významnosti jsou nedefinované.".
• Konstantní hodnoty X: Pokud jsou všechny hodnoty x stejné, přímka by musela být svislá. Výpočet se zastaví s chybou: "Všechny hodnoty x jsou stejné, takže přímka by byla svislá a ve směrnici by docházelo k dělení nulou.".

Často kladené otázky (FAQ)

Záleží na tom, do kterého sloupce vložím x?

Ano. Metoda nejmenších čtverců minimalizuje svislé odchylky, takže považuje y za vysvětlovanou proměnnou a x za vysvětlující proměnnou. Pokud je zaměníte, získáte jinou směrnici i jiný průsečík — pouze r a R² zůstanou stejné. Do sloupce y vložte proměnnou, kterou chcete předpovídat; pokud jste sloupce zadali obráceně, tlačítko pro záměnu je přepíše přímo na místě.

Co mi R² vlastně říká?

R² je podíl kolísání hodnot y, který přímka vysvětluje: 0,96 znamená, že 96 % kolísání odpovídá x a 4 % nikoli. Neříká nic o tom, zda byla přímka správným tvarem — jasná křivka může stále dosáhnout vysokého skóre — proto jej interpretujte společně s grafem reziduí. Korelace r je odmocnina z R² nesoucí znaménko směrnice, což je důvod, proč je r u klesající přímky záporné.

Proč jsou k předpovědím k dispozici dva intervaly?

Odpovídají na různé otázky. Průměrný interval zjišťuje, kde leží průměrné y pro všechny subjekty při daném x, takže se bere v úvahu pouze nejistota samotné přímky. Individuální interval zjišťuje, kam dopadne jedno nové pozorování, což přidává rozptyl bodů kolem přímky — tento dodatečný člen je důvodem, proč je vždy širší z obou intervalů. Oba se rozšiřují, jakmile se x vzdaluje od středu vašich dat.

Znamená malá hodnota p, že x zapříčiňuje y?

Ne. Hodnota p odpovídá pouze na jednu úzkou otázku: pokud by skutečná směrnice byla 0, jak často by výběr o této velikosti vytvořil směrnici alespoň takto vzdálenou od 0? Malá hodnota pouze činí vysvětlení „žádný vztah neexistuje“ nepravděpodobným, nic víc. Příčinná souvislost vyžaduje správný návrh studie — třetí faktor ovlivňující oba sloupce nebo výběr, který nebyl shromážděn nezávisle, produkuje malé hodnoty p stejně snadno.