Professional Documents
Culture Documents
SADRŽAJ
1. UVOD.................................................................................................................................3
2. LINEARNA REGRESIJA..................................................................................................4
2.1. Vrste regresije..................................................................................................................5
2.2. Metoda najmanjih kvadrata u regresiji............................................................................5
2.3. Primjer proste linearne regresije......................................................................................6
3. ZAKLJUČAK.....................................................................................................................9
4. LITERATURA.................................................................................................................10
2|
LINEARNI REGRESIJSKI MODEL
1. UVOD
U ovom radu predstavljen je linearan model regresije, koji obuhvata linearnu i nelinearnu
regresiju koja igra važnu ulogu u statistici. Prvo poglavlje predstavlja pojam i definiciju
linearnog modela regresije. U središnjem dijelu rada opisane su vrste regresije te predstavljen
model jednostavne linearne regresije. Na kraju rada dati su primjeri linearne regresije koji su
računati u programskom alatu SPSS .
3|
LINEARNI REGRESIJSKI MODEL
2. LINEARNA REGRESIJA
Sati
učenja (h) 12 31 22 7 10,8 25 15,6 23,5 17,2 14
Bodovi
(B) 45 60 88 25 42 85 51 80 60 53
Postojanje povezanosti ne implicira nužno da je jedna promjenjiva uzrok promjene druge, već
samo da postoji neka vrsta značajne povezanosti među njima. Jedan od korisnih instrumenata
za istraživanje povezanosti je tzv. scatterplot (prikaz parova vrijednosti u dvodimenzionom
koordinatnom sistemu). Ukoliko se na grafikonu ne vidi nikakva značajna povezanost
(ukoliko su tačke nepravilno razasute po koordinatnom sistemu), linearna aproksimacija ne
mora imati smisla. Podaci iz Tabele 1 su prikazani na Slici 1.
4|
LINEARNI REGRESIJSKI MODEL
Kako se sa Slike 1 vidi da su podaci grupisani linearno, u ovom slučaju ima smisla istražiti
oblik linearne zavisnosti. Numerički pokazatelj povezanosti podataka koji se veoma često
koristi u praksi je koeficijent korelacije. Njime se može ustanoviti ne samo postojanje, nego i
jačina povezanosti. U ovom slučaju je vrijednost koeficijenta korelacije 𝜌=0.775, što
implicira da među podacima postoji značajna pozitivna povezanost.
Prava linearne regresije ima jednačinu općeg oblika 𝑌=𝑎+𝑏𝑋 , gdje je 𝑌 zavisna promjenjiva,
𝑋 eksploratorna (nezavisna) promjenjiva, 𝑎 presjek sa 𝑦−osom, a 𝑏 nagib prave. Koeficijent
𝑎 se još tumači kao početna vrijednost regresije (u ovom slučaju koliki bi bio prinos bez
navodnjavanja) i u modeliranju se može zahtjevati da se on postavi na nulu, ukoliko to ima
više smisla. Sa druge strane, uobičajeno tumačenje nagiba 𝑏 je da on predstavlja povećanje
zavisno promjenjive ukoliko se nezavisno promjenjiva poveća za jednu.
Najjednostavniji model linearne regresije jeste onaj kod kojeg imamo samo jednu ulaznu
varijablu. To je takozvana jednostavna (jednostruka) regresija (engl. simple regression).
Primjer jednostavne regresije jest previđanje prihoda osobe na temelju dobi. U općenitom
slučaju, regresijski model može imati više ulaznih varijabli, ali i više izlaznih varijabli. Ako
model ima više od jedne ulazne (prediktorske) varijable, onda govorimo o modelu višestruke
ili multipla regresije. Primjer višestruke regresije jest previđanje prihoda osobe na temelju
dobi i duljine staža. U oba ova primjera postoji samo jedna izlazna varijabla, i takvu regresiju
nazivamo univarijatnom ili jednoizlaznom. Ako ipak model ima više izlaznih (zavisnih)
varijabli onda govorimo o multivarijatnoj ili višeizlaznoj regresiji.
5|
LINEARNI REGRESIJSKI MODEL
U narednom primjeru će biti objašnjena linerana regresija, kroz primjer osovojenih bodova na
ispitu u zavisnoti od broja sati učenja studenata u programu SPSS. Podaci su dati u slijedećoj
tabeli. (Tabeli 2).
Sati
učenja (h) 12 31 22 7 10,8 25 15,6 23,5 17,2 14
Bodovi
(B) 45 60 88 25 42 85 51 80 60 53
6|
LINEARNI REGRESIJSKI MODEL
7|
LINEARNI REGRESIJSKI MODEL
Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 .775 a
.601 .551 13.59219
a. Predictors: (Constant), sati
b. Dependent Variable: bodovi
U ovoj tabeli vidimo da je koeficijent korelacije prediktora 0,775, što nam govori da je
njihova veza veoma jaka. Koeficijent determinacije iznosi 0,601, i on nam predstavlja
kvadratno odstupanje koeficijenta korelcije i pokazuje da ovim primjerom objašnjeno 60,1%
varijabli, a da na ostalih 39,99% utječu nepoznati faktori.
Ovaj grafikon pokazuje da se radi o linearnoj regresiji, jer su podaci grupisani linearno i da
između njih postoji povezanost.
8|
LINEARNI REGRESIJSKI MODEL
3. ZAKLJUČAK:
- koeficijent korelacije prediktora iznosio je 0,775, što nam govori da je njihova veza
veoma jaka.
- koeficijent determinacije iznosi 0,601, i on nam predstavlja kvadratno odstupanje
koeficijenta korelcije i pokazuje da ovim primjerom objašnjeno 60,1% varijabli, a da
na ostalih 39,99% utječu nepoznati faktori
- grafikon pokazuje da se radi o linearnoj regresiji, jer su podaci grupisani linearno i da
između njih postoji povezanost.
9|
LINEARNI REGRESIJSKI MODEL
4. LITERATURA
https://www.pmf.unizg.hr/_download/repository/PREDAVANJE11.pdf
http://www.unizd.hr/portals/4/nastavni_mat/2_godina/statistika/10_predavanje.pdf
http://www.mathos.unios.hr/ptfstatistika/Vjezbe/materijali_7.pdf
10 |