Lineare Regression Rechner
Steigung, Y-Achsenabschnitt, R², Pearson-r und ein Streudiagramm mit Ausgleichsgerade — aus Ihren X,Y-Daten.
Beispiel laden
| # | X | Y |
|---|
Mindestens 3 Datenpunkte erforderlich. Leere Zeilen werden ignoriert.
Verwendete Formeln
Interpretation von R² und Pearson r
| |r| Bereich | R² Bereich | Korrelationsstärke | Interpretation |
|---|---|---|---|
| 0.00 – 0.19 | 0.00 – 0.04 | Sehr schwach | Wenig bis kein linearer Zusammenhang |
| 0.20 – 0.39 | 0.04 – 0.15 | Schwach | Gewisse Tendenz, aber hohe Streuung |
| 0.40 – 0.59 | 0.16 – 0.35 | Mittelmäßig | Spürbarer linearer Trend |
| 0.60 – 0.79 | 0.36 – 0.63 | Stark | Löschen linear relationship |
| 0.80 – 1.00 | 0.64 – 1.00 | Very Stark | Punkte liegen nahe der Regressionsgeraden |
Was ist lineare Regression?
Die lineare Regression ist eines der grundlegendsten Werkzeuge in der Statistik und Datenanalyse. Sie modelliert die Beziehung zwischen einer abhängigen Variablen Y und einer unabhängigen Variablen X mithilfe einer geraden Linie: ŷ = b₀ + b₁x. Die Linie wird angepasst, indem die Summe der quadrierten Residuen — der vertikalen Abstände zwischen jedem beobachteten Punkt und der vorhergesagten Linie — minimiert wird. in statistics and data analysis. It models the relationship between a dependent variable Y and an independent variable X using a straight line: ŷ = b₀ + b₁x. The line is fitted by minimizing the sum of squared residuals — the vertical distances between each observed point and the predicted line.
Die Methode der kleinsten Quadrate, die im frühen 19. Jahrhundert von Carl Friedrich Gauss und Adrien-Marie Legendre entwickelt wurde, ist nach wie vor der am häufigsten verwendete Ansatz in der Regressionsanalyse. Sie ist die Grundlage der Ökonometrie, des maschinellen Lernens, der experimentellen Wissenschaft und praktisch jedes Bereichs, der quantitative Beziehungen modelliert. by Carl Friedrich Gauss and Adrien-Marie Legendre, the least squares method remains the most widely used approach in regression analysis. It is the foundation of econometrics, machine learning, experimental science, and virtually every field that models quantitative relationships.
How to Interpret the Regression Gleichung
- Steigung (b₁): The expected change in Y for a one-unit increase in X. If b₁ = 2.5, Y increases by 2.5 for every unit increase in X.
- Y-Achsenabschnitt (b₀): The predicted value of Y when X = 0. May not always be meaningful outside the data range.
- R² (Bestimmtheitsmaß): Der Anteil der Varianz in Y, der durch X erklärt wird. R² = 0,72 bedeutet, dass 72 % der Variation in Y durch die lineare Beziehung zu X erklärt werden. R² = 0.72 means 72% of the variation in Y is explained by the linear relationship with X.
- Pearson r: Der Korrelationskoeffizient. r = +1 ist perfekt positiv, r = −1 ist perfekt negativ, r = 0 bedeutet keine lineare Beziehung. Bei der einfachen linearen Regression gilt R² = r². r = +1 is perfect positive, r = −1 is perfect negative, r = 0 is no linear relationship. In simple linear regression, R² = r².
Praktische Anwendungen der linearen Regression
Wirtschaft und Finanzen
Ökonomen verwenden die Regression, um Beziehungen wie das BIP vs. Arbeitslosigkeit oder Werbeausgaben vs. Umsatz zu modellieren. Im Finanzwesen wird die Regression verwendet, um das Beta (Steigung der Aktienrenditen im Vergleich zu den Marktrenditen) zu berechnen, die Grundlage des CAPM., or advertising spend vs. revenue. Finance uses regression to calculate beta (slope of stock returns vs. market returns), the foundation of CAPM.
Medizin und Epidemiologie
Medizinforscher verwenden die Regression, um Dosis-Wirkungs-Beziehungen zu modellieren, Patientenergebnisse aus klinischen Messungen vorherzusagen und Risikofaktoren zu untersuchen. Zum Beispiel: Blutdruck vs. Alter oder Medikamentendosis vs. Effektgröße., predict patient outcomes from clinical measurements, and study risk factors. For example: blood pressure vs. age, or drug dose vs. effect size.
Maschinelles Lernen
Die lineare Regression ist der einfachste überwachte Lernalgorithmus. Sie dient als Basis für alle Regressionsprobleme und ist die Grundlage für Ridge-Regression, Lasso und logistische Regression. It serves as the baseline for all regression problems and is the basis for ridge regression, lasso, and logistic regression.
Annahmen der linearen Regression
- Linearität: Die Beziehung zwischen X und Y ist linear.
- Unabhängigkeit: Die Beobachtungen sind voneinander unabhängig.
- Homoskedastizität: Die Varianz der Residuen ist über alle Werte von X konstant.
- Normalverteilung: Die Residuen sind normalverteilt (erforderlich für Inferenz, nicht für Vorhersagen).
Eine Verletzung dieser Annahmen macht die Regression nicht völlig ungültig — sie beeinträchtigt die Zuverlässigkeit der Inferenz (Schlussfolgerungen). Für Vorhersagezwecke ist die Regression gegenüber leichten Verletzungen oft robust. — it affects the reliability of inference. For prediction purposes, regression is often robust to mild violations.
Häufig gestellte Fragen
Linear regression finds the best-fitting straight line through a set of data points by minimizing the sum of squared residuals. The line equation ŷ = b₀ + b₁x describes how Y changes with X. It is used for prediction, estimating relationships, and testing whether X has a statistically significant effect on Y.
R² measures how well the regression line fits the data. R² = 0.85 means 85% of the variability in Y is explained by X. In social sciences, R² = 0.3 may be considered good; in physical sciences, R² below 0.95 may be considered poor. Always interpret R² relative to the field and problem context.
Pearson r measures the strength and direction of a linear relationship: +1 = perfect positive, −1 = perfect negative, 0 = no linear relationship. In simple linear regression, R² = r². Important: correlation does not imply causation — two variables can be correlated due to a third confounding variable or pure coincidence.
The least squares slope b₁ = Σ[(xᵢ − x̄)(yᵢ − ȳ)] / Σ[(xᵢ − x̄)²]. The numerator is the covariance; the denominator is the variance of X. The intercept b₀ = ȳ − b₁ × x̄ ensures the line passes through the centroid (x̄, ȳ) of the data.
Correlation (Pearson r) measures association — it is symmetric (swapping X and Y gives the same r). Regression produces a prediction equation and is directional — which variable is X (predictor) and Y (outcome) matters. Regression gives slope and intercept quantifying rate of change; correlation gives only the normalized measure.
A residual is the difference between an observed Y and the predicted Ŷ: eᵢ = yᵢ − ŷᵢ. The regression line minimizes Σeᵢ² (least squares). Residuals should be randomly scattered around zero. Systematic patterns suggest the linear model is not appropriate — try a polynomial or log transformation.
Technically 3 (2 always produce R² = 1 trivially). In practice, 10+ for meaningful regression; 20+ for reliable inference. Too few points make it impossible to assess linearity or detect outliers. A rule of thumb: at least 10 observations per predictor variable for multiple regression.
Yes — use the "Predict Y" section above. Enter any X value to get ŷ = b₀ + b₁x. Be cautious with extrapolation (X outside your data range) — the linear relationship may not hold beyond observed X values. Interpolation (within the data range) is generally more reliable.