رگرسیون خطی و کاسه خطا

رگرسیون خطی و کاسه خطا، آمار و بهینه‌سازی را در یک استودیوی سه‌بعدی تقسیم‌شده به هم متصل می‌کند. روی تخته سمت چپ، شش نقطه پراکنده قابل کشیدن — از جمله یک داده پرت نارنجی با اهرم بالا — توسط یک خط آزمایشی y = mx + b برازش می‌شوند. متصل به هر نقطه، یک مربع قرمز واقعی است که ضلع آن برابر با باقی‌مانده عمودی |yᵢ − (mxᵢ + b)| است، و مساحت آن را برابر با خطای مربعی eᵢ² می‌کند. روی صحنه سمت راست، کل مساحت همه مربع‌ها به عنوان یک کاسه سهموی SSE(m, b) روی فضای پارامتر شیب و عرض از مبدأ رسم می‌شود. دانش‌آموزان می‌توانند نشانگر پارامتر را روی کاسه بکشید یا «چسباندن به OLS بهینه» را فعال کنند تا تماشا کنند که نشانگر در منحصر‌به‌فردترین حداقل سراسری (m̂, b̂) مستقر می‌شود در حالی که r و R² را زیر نظر دارند.

• لغزنده‌های شیب آزمایشی m و عرض از مبدأ آزمایشی b را تنظیم کنید یا توپ طلایی را روی کاسه سه‌بعدی بکشید تا مربع‌های باقیمانده قرمز را تا حد امکان کوچک کنید.
• «چسباندن به OLS بهینه» را روشن کنید و تأیید کنید که توپ پارامتر طلایی دقیقاً روی نشانگر حداقل OLS سبز در پایین کاسه خطا فرود می‌آید.
• نقطه داده پرت نارنجی را به شدت به سمت پایین روی نمودار پراکنده بکشید و تماشا کنید که یک داده پرت منفرد چگونه به شدت شیب بهینه m̂ را می‌کشد و R² را کاهش می‌دهد.
• هر شش نقطه پراکنده را در یک خط تقریباً مستقیم مرتب کنید و تماشا کنید که همبستگی r به 1.000 و SSE به صفر نزدیک می‌شود.
• «نمایش مربع‌های باقیمانده» را روشن و خاموش کنید تا باقیمانده‌های عمودی eᵢ را با مساحت‌های مربعی آن‌ها eᵢ² مقایسه کنید.

1. 1توضیح دهید چرا کمترین مربعات معمولی (OLS) مجموع باقیمانده‌های عمودی مربعی Σ (yᵢ − ŷᵢ)² را به جای باقیمانده‌های علامت‌دار کمینه می‌کند.
2. 2پارامترهای رگرسیون جبری (شیب m و عرض از مبدأ b) را به مختصات روی یک سطح زیان محدب سه‌بعدی SSE(m, b) متصل کنید.
3. 3ارزیابی کنید که چگونه داده‌های پرت و نقاط با اهرم بالا، خط رگرسیون کمترین مربعات را تحریف می‌کنند و ضریب تعیین R² را کاهش می‌دهند.
4. 4همبستگی r و R² را به عنوان معیارهای ارتباط خطی و واریانس تبیین‌شده تفسیر کنید.

پرسش‌هایی که معلم‌ها می‌پرسند