წრფივი რეგრესიის კალკულატორი

წრფივი რეგრესიის მათემატიკური საფუძვლები

წრფივი რეგრესიის ანალიზი ეფუძნება უმცირეს კვადრატთა მეთოდს (OLS), რომელიც მიზნად ისახავს ორ ცვლადს შორის არსებული კავშირის აღწერას სწორი ხაზის მეშვეობით. ეს მეთოდი ითვლის ისეთ წრფეს, რომელიც მინიმუმამდე დაყვანს რეალურ მონაცემებსა და მოდელით პროგნოზირებულ მნიშვნელობებს შორის არსებული ვერტიკალური გადახრების (ნაშთების) კვადრატების ჯამს.

გამოთვლების სიზუსტის შესანარჩუნებლად, განსაკუთრებით მაშინ, როდესაც მონაცემები მნიშვნელოვნად განსხვავდება სიდიდით, კალკულატორი იყენებს ორეტაპიან კომპენსირებულ შეკრებას საშუალოების გარშემო. ძირითადი მათემატიკური სიდიდეები იანგარიშება შემდეგი ფორმულებით:

• ცვლადების გაფანტვა და კოვარიაცია: Sxx = Σ(xᵢ − x̄)², Syy = Σ(yᵢ − ȳ)², Sxy = Σ(xᵢ − x̄)(yᵢ − ȳ)
• დახრილობა b = Sxy ÷ Sxx
• თავისუფალი წევრი a = ȳ − b·x̄

სადაც x̄ და ȳ წარმოადგენს შესაბამისი ცვლადების საშუალო არითმეტიკულ მნიშვნელობებს. მიღებული კოეფიციენტები განსაზღვრავენ წრფის განტოლებას, რომელიც გამოიყენება დამოკიდებული ცვლადის პროგნოზირებისთვის.

რეგრესიის კოეფიციენტების ინტერპრეტაცია

გამოთვლილი კოეფიციენტები აღწერენ ცვლადებს შორის კავშირის ხასიათსა და მიმართულებას. კალკულატორი აჩვენებს მათ პრაქტიკულ მნიშვნელობას შემდეგი ფორმულირებით:

• დახრილობა b: „საშუალოდ, y იცვლება ‹slope›-ით x-ის ყოველ 1 ერთეულით გაზრდაზე.“
• გადაკვეთა a: „როდესაც x არის 0, წრფე მდებარეობს y = ‹intercept› წერტილში.“

თუ დახრილობა დადებითია, ეს მიუთითებს იმაზე, რომ x-ის ზრდასთან ერთად y-ის მნიშვნელობებიც იზრდება. უარყოფითი დახრილობა კი მიუთითებს უკუკავშირზე. გადაკვეთის წერტილი (თავისუფალი წევრი) გვიჩვენებს დამოკიდებული ცვლადის თეორიულ მნიშვნელობას იმ შემთხვევაში, როდესაც დამოუკიდებელი ცვლადი ნულის ტოლია.

კორელაცია და დეტერმინაციის კოეფიციენტი

მოდელის ხარისხის შესაფასებლად გამოიყენება რამდენიმე ძირითადი სტატისტიკური მაჩვენებელი, რომლებიც აღწერენ მონაცემთა გაფანტვას წრფის გარშემო:

• კორელაცია r: ზომავს წრფივი კავშირის სიძლიერესა და მიმართულებას. იგი იანგარიშება ფორმულით r = Sxy ÷ √(Sxx·Syy) და იღებს მნიშვნელობებს -1-დან 1-მდე.
• R² (დეტერმინაციის კოეფიციენტი): გვიჩვენებს y ცვლადის დისპერსიის იმ წილს, რომელიც აიხსნება აგებული რეგრესიის მოდელით. იგი გამოითვლება ფორმულით R² = SSR ÷ SST, სადაც SSR არის ახსნილი კვადრატების ჯამი, ხოლო SST — კვადრატების საერთო ჯამი.
• კორექტული R²: ითვალისწინებს თავისუფლების ხარისხს და კორექტირებას ახდენს ფორმულით 1 − (1 − R²)(n − 1) ÷ (n − 2).
• ნაშთების გაფანტვა s: ახასიათებს წერტილების საშუალო გადახრას აგებული წრფიდან და ტოლია s = √(SSE ÷ (n − 2)), სადაც SSE არის ნაშთების კვადრატების ჯამი.

ჰიპოთეზების შემოწმება და მნიშვნელოვნება

მოდელის სტატისტიკური სანდოობის დასადგენად ტარდება ჰიპოთეზების შემოწმება. კალკულატორი აგებს ცხრილს სათაურით „კოეფიციენტები“, სადაც მოცემულია შემდეგი სვეტები: „წევრი“, „შეფასება“, „სტანდ. შეცდომა“, „t“, „p“ და „‹level›% ინტერვალი“.

სტანდარტული შეცდომები იანგარიშება ფორმულებით:

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

t-სტატისტიკა წარმოადგენს შეფასების შეფარდებას მის სტანდარტულ შეცდომასთან. ორმხრივი p-მნიშვნელობა იანგარიშება რეგულარიზებული არასრული ბეტა ფუნქციის მეშვეობით n − 2 თავისუფლების ხარისხზე. ვინაიდან მოდელში გამოიყენება ერთი დამოუკიდებელი ცვლადი, დახრილობის t-ტესტი და დისპერსიული ანალიზის (F-ტესტი) ცხრილი „დისპერსიული ანალიზი“ ყოველთვის აჩვენებენ იდენტურ p-მნიშვნელობას.

ნაშთების ანალიზის მნიშვნელობა

მხოლოდ მაღალი R² მნიშვნელობა არ არის საკმარისი იმის დასადასტურებლად, რომ წრფივი მოდელი ადეკვატურად აღწერს მონაცემებს. კალკულატორი აგებს ორ გრაფიკს სექციაში „მორგება და ნაშთები“:

1. „წერტილების გაფანტვის დიაგრამა უმცირეს კვადრატთა წრფითა და მისი საშუალოს გარშემო არსებული ზოლით“ (მორგებული წრფე).
2. „ნაშთების დიაგრამა x-ის მიმართ, განაწილებული ნულოვანი ხაზის გარშემო“ (ნაშთები).

ნაშთების გრაფიკზე წერტილების არათანაბარი, მარაოსებრი განაწილება (ჰეტეროსკედასტურობა) ან გამოკვეთილი მრუდი ხაზის არსებობა მიუთითებს იმაზე, რომ წრფივი მოდელის დაშვებები დარღვეულია და მონაცემები საჭიროებენ სხვა ტიპის მიდგომას.

ნდობისა და პროგნოზირების ინტერვალები

კალკულატორი საშუალებას იძლევა განხორციელდეს პროგნოზირება მომხმარებლის მიერ მითითებულ x წერტილებში. თითოეული პროგნოზისთვის იანგარიშება ორი ტიპის ინტერვალი:

1. საშუალო ‹level›% (ნდობის ინტერვალი საშუალოსთვის): აფასებს საშუალო y მნიშვნელობის მდებარეობას მოცემულ x₀ წერტილში. სტანდარტული შეცდომა ტოლია s · √(1÷n + (x₀ − x̄)² ÷ Sxx).
2. ინდივიდუალური ‹level›% (პროგნოზირების ინტერვალი): განსაზღვრავს ერთი კონკრეტული ახალი დაკვირვების მოსალოდნელ დიაპაზონს. მისი სტანდარტული შეცდომაა s · √(1 + 1÷n + (x₀ − x̄)² ÷ Sxx).

ვინაიდან ინდივიდუალური პროგნოზი მოიცავს როგორც თავად წრფის განუსაზღვრელობას, ასევე ცალკეული წერტილების ბუნებრივ გაფანტვას, ინდივიდუალური ინტერვალი ყოველთვის უფრო ფართოა, ვიდრე საშუალო ინტერვალი. ორივე ინტერვალი მინიმალურია მონაცემთა ცენტრში (x̄) და ფართოვდება მასთან დაშორებასთან ერთად.

მონაცემთა შეყვანის წესები და შეზღუდვები

კალკულატორი მუშაობს უშუალოდ მომხმარებლის ბრაუზერში, რაც ნიშნავს, რომ მონაცემები არ იტვირთება გარე სერვერზე. მხარდაჭერილია მონაცემთა შეყვანის ორი ფორმატი:

• წყვილთა რიგები: თითოეულ ხაზზე იწერება x და y მნიშვნელობები. შესაძლებელია მონაცემების პირდაპირ გადმოკოპირება ელექტრონული ცხრილებიდან. თუ პირველი რიგი შეიცავს არარიცხვით ტექსტს, სისტემა მას ავტომატურად აღიქვამს სათაურად და გამოტოვებს.
• ორი სია: x და y მნიშვნელობები იწერება ცალ-ცალკე ველებში.

ათწილადების გამყოფად წერტილის გამოყენებისას მნიშვნელობები უნდა გამოიყოს ინტერვალით, მძიმით ან ახალი ხაზით. მძიმის გამოყენებისას კი — ინტერვალით, წერტილ-მძიმით ან ახალი ხაზით.

კალკულატორი ითვალისწინებს შემდეგ ზღვრულ შემთხვევებსა და შეცდომებს:

• მინიმალური რაოდენობა: საჭიროა მინიმუმ 2 წერტილი. წინააღმდეგ შემთხვევაში გამოისახება შეცდომა: „შეიყვანეთ მინიმუმ 2 წერტილი; ერთი წერტილი წრფეს ვერ განსაზღვრავს.“
• ზუსტად ორი წერტილი: სისტემა აჩვენებს შეტყობინებას: „ორი წერტილი ზუსტად განსაზღვრავს წრფეს, ამიტომ განუსაზღვრელობის შესაფასებლად არაფერი რჩება.“
• იდენტური Y მნიშვნელობები: „ყველა y ერთნაირია, ამიტომ წრფე ბრტყელია, ხოლო r, R² და მნიშვნელოვნების ტესტი განუსაზღვრელია.“
• ვერტიკალური წრფე (იდენტური X მნიშვნელობები): გამოითვლება ნულზე გაყოფა, რის გამოც პროცესი ჩერდება შეცდომით: „ყველა x იდენტურია, ამიტომ წრფე ვერტიკალური იქნებოდა და დახრის გამოთვლისას მოხდებოდა ნულზე გაყოფა.“
• იდეალური მორგება: „წერტილები ზუსტად წრფეზე მდებარეობს, ამიტომ ნაშთების გაფანტვა არ არსებობს და ინტერვალის ან p-მნიშვნელობის შეფასება შეუძლებელია.“

მაქსიმალური ლიმიტი შეადგენს 50,000 წერტილს და 1 MB ტექსტს. პროგნოზირებისთვის შესაძლებელია მაქსიმუმ 50 მნიშვნელობის შეყვანა.

ხშირად დასმული კითხვები

აქვს მნიშვნელობა, რომელ სვეტს ჩავწერ x-ში?

დიახ. უმცირეს კვადრატთა მეთოდი მინიმუმამდე ამცირებს ვერტიკალურ ხარვეზებს, ამიტომ ის y-ს განიხილავს როგორც ასახსნელ ცვლადს, ხოლო x-ს — როგორც ამხსნელ ცვლადს. მათი ადგილების შეცვლით მიიღებთ განსხვავებულ დახრილობასა და განსხვავებულ გადაკვეთის წერტილს — მხოლოდ r და R² რჩება უცვლელი. მოათავსეთ ის ცვლადი y-ში, რომლის პროგნოზირებაც გსურთ; თუ სვეტები არასწორი თანმიმდევრობითაა შეყვანილი, ადგილების შეცვლის ღილაკი გადაწერს მათ იქვე.

რას გვეუბნება სინამდვილეში R²?

R² არის y-ის ვერტიკალური ცვალებადობის ის წილი, რომელსაც წრფე ხსნის: 0.96 ნიშნავს, რომ მისი 96% ემთხვევა x-ს, ხოლო 4% — არა. ის არაფერს ამბობს იმაზე, იყო თუ არა სწორი ხაზი სწორი ფორმა — მკაფიო მრუდმაც კი შეიძლება მაღალი ქულა მიიღოს — ამიტომ შეაფასეთ იგი ნაშთების გრაფიკთან ერთად. კორელაცია r არის R²-ის კვადრატული ფესვი დახრილობის ნიშნით, რის გამოც r უარყოფითია დაღმავალი წრფისთვის.

რატომ ახლავს პროგნოზებს ორი ინტერვალი?

ისინი სხვადასხვა კითხვას პასუხობენ. საშუალო ინტერვალი ადგენს, თუ სად მდებარეობს საშუალო y ყველასთვის მოცემულ x-ზე, ამიტომ აქ მხოლოდ თავად წრფის განუსაზღვრელობაა გათვალისწინებული. ინდივიდუალური ინტერვალი კი ადგენს, თუ სად მოხვდება ერთი ახალი დაკვირვება, რაც ამატებს წერტილების გაფანტვას წრფის გარშემო — სწორედ ეს დამატებითი წევრია იმის მიზეზი, რომ იგი ყოველთვის უფრო ფართოა ორს შორის. ორივე ინტერვალი ფართოვდება, როდესაც x შორდება თქვენი მონაცემების შუაგულს.

ნიშნავს თუ არა მცირე p-მნიშვნელობა იმას, რომ x იწვევს y-ს?

არა. p-მნიშვნელობა მხოლოდ ერთ ვიწრო კითხვას პასუხობს: რეალური დახრა 0 რომ ყოფილიყო, რამდენად ხშირად გამოიწვევდა ამ ზომის შერჩევა დახრას, რომელიც მინიმუმ ასე შორს არის 0-დან? მცირე მნიშვნელობა მხოლოდ უხერხულს ხდის ახსნას „საერთოდ არანაირი კავშირი არ არსებობს“ და მეტს არაფერს. მიზეზ-შედეგობრიობას კვლევის სტრუქტურა სჭირდება — მესამე ფაქტორი, რომელიც ორივე სვეტს ცვლის, ან შერჩევა, რომელიც არ იყო დამოუკიდებლად შეგროვებული, ისევე მარტივად წარმოქმნის მცირე p-მნიშვნელობებს.