Regresyon

PSİ124 İleri İstatistik

Bahar 2021
 Regresyon
• Regresyon analizinin başlıca amacı, birbirleriyle ilişkili
olan değişkenlerden birinin değeri bilindiğinde
diğerinin alabileceği değeri tahmin etmektir
 Regresyon
• Regresyon: Bir değişkene ait ölçümlerin grup
ortalamasına çekilmesidir

• Regresyon analizi: Aralarında ilişki olan iki ya da daha

fazla sayıda değişkenden birinin bağımlı (yordanan)
değişken, diğerlerinin ise bağımsız (yordayıcı)
değişkenler olarak adlandırılıp aralarındaki ilişkinin
matematiksel bir eşitlik ile açıklanmasıdır
 Regresyon
• Regresyon analizinin amaçları:
• Bağımlı yani yordanan ve bağımsız yani yordayıcı
değişken(ler) arasındaki ilişkiyi regresyon eşitliği ile
açıklamak

• Regresyon modelinin bilinmeyen parametreleri

tahmin edildiğinde yordayıcı değişken(ler)in bilinen
değerleri için yordanan değişkenin alacağı değeri
tahmin etmek
 Regresyon
• Regresyon analizinin amaçları:
• Yordayıcı değişken(ler)in yordanan değişkende
gözlenen değişmelerin ne kadarını açıkladığını
determinasyon katsayısı ile belirlemek
 Regresyon
• Regresyon analizinin amaçları:
• Açıklanan Varyans (Determinasyon Katsayısı; r2):
Değişkenlerden birindeki değişimin ne kadarının
diğer değişken tarafından açıklandığını gösterir

• Örneğin, r = .80 ise r2= .64 yani Y değişkenindeki

toplam varyansın % 64’ü X değişkeni tarafından geri
kalan %36’sı ise başka değişkenler tarafından
açıklanmaktadır
 Regresyon
• Regresyon analizinin amaçları:
• Yordayıcı değişken(ler)in, yordanan değişkeni anlamlı
bir şekilde yordayıp yordamadığını ve
• Yordayıcı değişken sayısının birden fazla olduğu
durumda bu yordayıcıların bağımlı yani yordanan
değişken üzerindeki göreli önemini belirlemek
 Regresyon
• Doğrusal regresyon: Değişkenler arasındaki ilişki
doğrusaldır
• Doğrusal olmayan (eğrisel) regresyon: Değişkenler
arasındaki ilişki doğrusal değildir

• Basit regresyon analizi: Yordayıcı değişken sayısı 1’dir

• Çoklu regresyon analizi: Yordayıcı değişken sayısı
birden fazladır
 Regresyon
• Basit Doğrusal Regresyon Eşitliği ve İşlem

Y = a + bXi + ei

Ŷ = a + bX

• a = kesim noktasını gösteren sabit değer

• b = regresyon katsayısı (regresyon doğrusunun eğimi)
• e = hata miktarı
• i = i. gözlem
 Regresyon
• İki değişken arasındaki Korelasyon Katsayısı ve
değişkenlerin Ortalama ve Standart Sapma değerleri
biliniyorsa Regresyon Eşitliği:
 Regresyon
• b (eğim): Regresyon katsayısı da denir

• Yordayıcı (yani, bağımsız) değişkendeki (X) bir birim

değişmenin yordanan (yani, bağımlı) değişkende (Y)
yol açtığı ortalama değişim miktarıdır

• Bu tahminde bir hata payı da söz konusudur

 Regresyon
• Örnek: Eğitim düzeyi (X) değişkeninden gelir düzeyini
(Y) tahmin etmek için regresyon eşitliği:

Y = 350000 + 50000X şeklinde ise;

Bireylerin bir yıllık eğitiminin gelir düzeylerinde

ortalama 50000 TL bir artışına neden olduğu
anlaşılmaktadır
 Regresyon
• Regresyon katsayısının (beta; β) işareti, iki değişken
arasındaki ilişkinin yönünü (+ / –) gösterir

• Örnekte yer alan eşitlikte X neden Y sonuç gibi

görünmektedir (Y = a + bX). Ancak, Y neden X sonuç
da olabilir (örn., X = a + bY)
 Regresyon
• b (eğim): Regresyon katsayısı formülü
• Yordayıcı (yani, bağımsız) değişkendeki (X) bir birim
değişmenin yordanan (yani, bağımlı) değişkende (Y)
yol açtığı ortalama değişim miktarıdır
 Regresyon
• a (sabit): X = 0 iken Y’nin alacağı ortalama değerdir

• Örnek: Y gelir ve X eğitim olsun

• Y = 350000 + 50000X için sabit (a) 350000’dir.
• Yani, formel eğitim almamış bir kişinin gelir düzeyi
350000 TL’dir
 Regresyon
• Sabit (a) hesaplamak için formül:
 Regresyon
• Regresyon analizi yapabilmek için yordanan değişken
ve yordayıcı değişken(ler) en az eşit aralık ölçek
düzeyinde ölçülen sürekli değişkenler olmalıdır

• Sınıflamalı veriler ise kukla/göstermelik (dummy

coding) değişken olmak üzere yeni bir yapay
değişkene dönüştürülebilir
 Regresyon
• Regresyon analizinde yapılan tahminin ne kadar
güçlü olduğunu yani modelin Y’deki değişimin ne
kadarını açıkladığını determinasyon katsayısı
(açıklanan varyans; r2) gösterir.

• X ve Y arasındaki korelasyon 1 ise (r = 1.00)

determinasyon katsayısı da 1’dir (r2 = 1.00)  yani
tam / hatasız tahmin
 Regresyon
• Yordayıcı değişken sayısının en az iki olduğu Çoklu
Regresyon Analizinde ise korelasyon katsayısı R ve
determinasyon katsayısı ise R2 ile gösterilir
 Regresyon
• Değişkenlerde uç değerler varsa bunlar:
1. analiz dışında tutulabilir;
2. değişken dönüştürme işlemine tabi tutulabilir ya da
3. daha fazla gözlem yapılabilir

• Uç değerler varsa analiz raporunda belirtilmelidir

 Regresyon
• Örnek: Aşağıdaki veri setinde sabit terimi (a) ve eğimi
(b) hesaplayınız. Regresyon eşitliğini yazıp
yorumlayınız.
No Ders çalışma süresi Akademik başarı
(X) (Y)
1 2 3
2 4 5
3 1 1
4 5 3
 No X Y XY X2 Y2
1 2 3 6 4 9
2 4 5 20 16 25
3 1 1 1 1 1
4 5 3 15 25 9
n=4 ΣX = 12 ΣY = 12 ΣXY = 42 ΣX2 = 46 ΣY2 = 44
(ΣX)2 = 144

Ŷ = a + bX
bYX = 4(42) – (12) (12)
Ŷ = 1.2 + 0.6X
4(46) – 144 • Ders çalışmaya ayrılan süre ile akademik
bYX = 0.60 başarı arasında pozitif bir ilişki mevcut
• Ders çalışma süresindeki bir saatlik artış
başarı puanında 0.6 puanlık bir artışa neden
aYX = 3 – (0.60) (3) olmakta
aYX = 1.2 • Hiç ders çalışmayan bir öğrencinin başarı
puanı ise 1.2 olacaktır
 Regresyon
• Örnek: Aşağıdaki verileri kullanarak X’in verilen
değerleri için Ŷ değerlerini hesaplayınız
(bYX = 0.60 ve aYX = 1.2)

No X Y
1 2 3
2 4 5
3 1 1
4 5 3
 No X Y Ŷ Y–Ŷ=e (Y – Ŷ)2 = e2
(tahmini değer)
(Sapma miktarları)
1 2 3 2.4 0.6 0.36
2 4 5 3.6 1.4 1.96
3 1 1 1.8 -0.8 0.64
4 5 3 4.2 -1.2 1.44
n=4 ∑e = 0 ∑e2 = 4.4

bYX = 0.60 ve aYX = 1.2

Ŷ = a + bX
X = 4 için: Ŷ = 1.2 + (.6)(4) = 3.6’dır.
Yani, günde 4 saat çalışan bir öğrencinin başarı puanı 3.6’dır
Ancak, gözlenen veri çiftlerine bakıldığında X = 4 için Y = 5’tir
Sapma miktarı = gözlenen değer – tahmin edilen ortalama değer = Y – Ŷ
Sapma miktarı = 5 – 3.6 = 1.4
 Regresyon
Ŷ = a + bX
Ŷ = 1.2 + 0.6X

X = 2 için: Ŷ = 1.2 + (.6)(2) = 2.4

X = 4 için: Ŷ = 1.2 + (.6)(4) = 3.6
X = 1 için: Ŷ = 1.2 + (.6)(1) = 1.8
X = 5 için: Ŷ = 1.2 + (.6)(5) = 4.2
X = 3 ve Y = 3 ve a = 1.2
Regresyon doğrusu (X, Y) yani bu örnekte (3, 3) noktasından geçer
 Regresyon
• Örnek: Yedi kişilik bir örneklemden elde edilen veriler
aşağıdaki gibidir. a, b ve regresyon eşitliğini
hesaplayıp regresyon doğrusunu çiziniz.
n=7
ΣX = 57
ΣY = 511
ΣXY = 3745
ΣX2= 276
a = (511)(579) – (57)(3745)
7(579) – (57)2
a = 102.493

b = 7(3745) – (57)(511)
7(579) – (57)2
b = –3.622

Ŷ = 102.493 – 3.622X
Regresyon
 Regresyon
• Örnek: Aşağıdaki verileri kullanarak a ve b değerlerini
bulunuz. Ayrıca, X’in verilen değerleri için Ŷ
değerlerini hesaplayınız.
 stres düzeyi kaygı semptomları
no (X) (Y)
1 20 4
2 27 4.54
3 9 4.38
4 20 4.25
5 3 4.61
6 15 4.69
7 5 4.13
8 10 4.39
9 23 4.3
10 34 4.8
 stres düzeyi kaygı semptomları
X2 Y2
no (X) (Y) XY
1 20 4 80.00 400 16
2 27 4.54 122.58 729 20.6116
3 9 4.38 39.42 81 19.1844
4 20 4.25 85.00 400 18.0625
5 3 4.61 13.83 9 21.2521
6 15 4.69 70.35 225 21.9961
7 5 4.13 20.65 25 17.0569
8 10 4.39 43.90 100 19.2721
9 23 4.3 98.90 529 18.49
10 34 4.8 163.20 1156 23.04
n=
10 ∑X = 166 ∑Y = 44.09 ∑XY = 737.83 ∑X2 = 3654 ∑Y2 = 194.9657
(∑X)2 = 27556 (∑Y)2 = 1943.9281
Ort. X = 16.6 Ort. Y = 4.409
 Regresyon
bYX = 10(737.83) – (166) (44.09)
10(3654) – 27556
bYX = 0.0066 = 0.007

aYX = 4.409 – (0.007) (16.6)

aYX = 4.293
 Regresyon
Ŷ = a + bX
X = 20 için: Ŷ = 4.293 + (0.007)(20) = 4.433
X = 27 için: Ŷ = 4.293 + (0.007)(27) = 4.482
X = 9 için: Ŷ = 4.293 + (0.007)(9) = 4.356
X = 3 için: Ŷ = 4.293 + (0.007)(3) = 4.314
X = 15 için: Ŷ = 4.293 + (0.007)(15) = 4.398
X = 5 için: Ŷ = 4.293 + (0.007)(5) = 4.328
X = 10 için: Ŷ = 4.293 + (0.007)(10) = 4.363
X = 23 için: Ŷ = 4.293 + (0.007)(23) = 4.454
X = 34 için: Ŷ = 4.293 + (0.007)(34) = 4.531
 stres düzeyi kaygı semptomları
no (X) (Y) Ŷ Y-Ŷ (Y - Ŷ)2
1 20 4 4.433 -0.433 0.187489
2 27 4.54 4.482 0.058 0.003364
3 9 4.38 4.356 0.024 0.000576
4 20 4.25 4.433 -0.183 0.033489
5 3 4.61 4.314 0.296 0.087616
6 15 4.69 4.398 0.292 0.085264
7 5 4.13 4.328 -0.198 0.039204
8 10 4.39 4.363 0.027 0.000729
9 23 4.3 4.454 -0.154 0.023716
10 34 4.8 4.531 0.269 0.072361
n =10 Σe= -0.002 Σe2 =0.533808
 Regresyon
• En Küçük Kareler Yöntemi:
• Bu yöntemde gözlenen değerler ile tahmin edilen
değerler arasında kalan uzaklıkların (yani gözlenen
değerler ile regresyon doğrusu arasındaki
uzaklıkların) kareler toplamı en küçük olacak şekilde
regresyon doğrusuna ait parametrelerin (a ve b)
değerleri bulunur.
• ∑(Y – Ŷ)2 = ∑e2
 Regresyon
• En Küçük Kareler Yöntemi:
• Bu farkların kareleri toplamı 0 ise, gözlenen değerler
ile tahmin edilen değerler birbirine eşittir, SYX = 0’dır
ve tahmin mükemmeldir

• Bu durum sadece iki değişken arasındaki korelasyon

±1.00 ise görülür
 Regresyon
• Tahminin Standart Hatası:

• Tahmin edilen değerler ile gözlenen değerler

arasındaki farkın standart sapması

• Yani, X’in belli bir değeri için Y’nin değeri ne ölçüde

güvenilirdir? Tahminin evrende alabileceği değer
hangi aralıkta olabilir?
 Regresyon

X’ten Y tahmin edilirken tahminin standart hatası:

Y = gözlenen değer

Ŷ = tahmin edilen değer

n – 2 = a ve b katsayıları için
serbestlik derecesi (sd)
Regresyon

Büyük gruplar için formül

SY = Y puanlarının standart sapması

Büyük örneklemlerde (n – 1) / (n – 2)
değeri 1’e yaklaşacağı için tahminin
standart hatasını hesaplamada yandaki
formül kullanılabilir
 Regresyon
• Örnek: Dört kişilik bir örneklemde X ve Y değişkenleri
arasındaki korelasyon r = .67 ve Y değişkeninin
standart sapması (SY) 1.63 ise tahminin standart
hatası nedir?
 Regresyon

SY.X = 1.63 √ (1 – .672) = 1.21

SY.X = 1.63 √ (4 – 1 / 4 – 2) (1 – .672) = 1.48* Örneklem küçük olduğunda bu

formül daha güvenilirdir
 Regresyon
• Örnek: Bir araştırmacı istatistik puanı (X) ile okul
bitirme testi puanı (Y) arasındaki korelasyonun .41
olduğunu bulmuştur. SY = 3.90 olduğuna göre,
tahminin standart sapması (hatası) nedir?
 Regresyon
SY.X = SY √(1 – r2)
SY.X = 3.90 √[1 – (.41)2] = 3.90 √( 1 – .17)
SY.X = 3.90 (√.83) = 3.90 (.91)
SY.X = 3.55
 Regresyon
• Örnek: X ve Y değişkenlerine ait değerler aşağıda yer
almaktadır. Buna göre,
İki değişken arasındaki korelasyonu hesaplayınız.
Y için regresyon eşitliği nedir?
X = 9 için Y nedir?
Tahminin standart hatasını hesaplayınız.
No X Y
1 2 8
2 6 14
3 1 5
4 3 8
5 6 10
6 9 15
7 6 8
8 6 8
9 4 7
10 2 6
 No X Y X2 Y2 XY Ŷ Y-Ŷ (Y - Ŷ)2
1 2 8 4 64 16 6,26 1,74 3,0276
2 6 14 36 196 84 10,46 3,54 12,5316
3 1 5 1 25 5 5,21 -0,21 0,0441
4 3 8 9 64 24 7,31 0,69 0,4761
5 6 10 36 100 60 10,46 -0,46 0,2116
6 9 15 81 225 135 13,61 1,39 1,9321
7 6 8 36 64 48 10,46 -2,46 6,0516
8 6 8 36 64 48 10,46 -2,46 6,0516
9 4 7 16 49 28 8,36 -1,36 1,8496
10 2 6 4 36 12 6,26 -0,26 0,0676
∑XY = ∑( Y - Ŷ) ∑( Y - Ŷ)2 =
n = 10 ∑X = 45 ∑Y = 89 259 887 460 = 0,15 32,2435
∑X2 = ∑Y2 =
(∑X)2 = 2025 (∑Y)2 = 7921 259 887
Ort. 4,5 8,9
r = 10(460) – (45)(89) / √[10(259) – 2025][10(887) –
7921]
r = 4600 – 4005 / √(2590 – 2025)(8870 – 7921)
r = 595 / √(565)(949)
r = 595 / √536185
r = 595 / 732.25
r = 0.81
Ŷ = a + bX

bYX =10(460) – (45)(89) / 10(259) – 2025

bYX = 4600 – 4005 / 2590 – 2025
bYX = 595 / 565
bYX = 1.05
aYX = 8.9 – 1.05(4.5) = 8.9 – 4.73
aYX = 4.17

Ŷ = a + bX
Ŷ = 4.17 + 1.05X
SY.X = √ 32.2435 / (10 – 2) = √4.03
SY.X = = 2.02
 Regresyon
• Örnek: Aşağıdaki tabloda bir grup öğrencinin
matematik ve yaratıcılık testi puanları verilmektedir.
Buna göre,
Korelasyon katsayısını (r) hesaplayınız
Regresyon eşitliğini bulunuz
Matematik testi puanı 6.5 olan bir öğrencinin
yaratıcılık testi puanını tahmin ediniz
 Matematik Testi Yaratıcılık Testi
Puanı Puanı
No (X) (Y)
1 4 45
2 2 20
3 3 28
4 4 55
5 7 62
6 5 45
7 7 40
8 10 80
9 12 90
10 1 20
 Matematik Testi Yaratıcılık Testi
Puanı Puanı
No (X) (Y) X2 Y2 XY
1 4 45 16 2025 180
2 2 20 4 400 40
3 3 28 9 784 84
4 4 55 16 3025 220
5 7 62 49 3844 434
6 5 45 25 2025 225
7 7 40 49 1600 280
8 10 80 100 6400 800
9 12 90 144 8100 1080
10 1 20 1 400 20
n=
10 ∑X = 55 ∑Y = 485 ∑X2 = 413 ∑Y2 = 28603 ∑XY = 3363
(∑X)2 = 3025 (∑Y)2 = 235225
Ort. 5,5 48,5
r = 10(3363) – (55)(485) / √[10(413) – 3025][10(28603)
– 235225]

r = .93
bYX =10(3363) – (55)(485) / 10(413) – 3025
bYX = 6.29

aYX = 48.5 – (6.29)(5.5) = 48.5 – 34.60

aYX = 13.9
Ŷ = a + bX
Ŷ = 13.9 + 6.29X

X = 6.5 için
Ŷ = a + bX
Ŷ = 13.9 + 6.29(6.5) = 13.9 + 40.89
Ŷ = 54.79
 Regresyon
• Örnek: 100 kişilik bir örneklemden toplanan
verilerden X ve Y değişkenlerine ilişkin olarak
aşağıdaki bilgiler elde edilmiştir:
Ort. X = 119 ; SX = 10
Ort. Y = 1.30 ; SY = .55
r = .71
 Regresyon
• Ali’nin X değişkeni puanı 130’dur. Y değişkenini
tahmin ediniz

• Y’nin tahmini standart hatasını bulunuz

 Regresyon
• Ali’nin X değişkeni puanı 130’dur. Y değişkenini
tahmin ediniz

Ŷ = 1.30 + (.70) (.55/10)(130 – 119)

Ŷ = 1.76
 Regresyon
• Y’nin tahmini standart hatasını bulunuz

SY.X = SY √(1 – r2)

SY.X = .55 √(1 - .712)
SY.X = .39
 Regresyon
• Örnek: 60 kişilik bir örneklemden toplanan veriler
incelendiğinde ailedeki uyum ile kolejdeki başarı
arasındaki ilişkinin incelenmesi sonucunda aşağıdaki
istatistikler elde edilmiştir.

Uyum Puanı (X) Kolej Başarı Puanı (Y)

X = 49 Y = 1.35
SX = 12 SY = .50
r = .36 ; n = 60
 Regresyon
• X puanı 60 olan bir öğrencinin Y puanını tahmin
ediniz

• Y’nin tahmini standart hatasını bulunuz

• X değişkenin Y değişkeninde açıkladığı toplam

varyans nedir?
 Regresyon
• X puanı 60 olan bir öğrencinin Y puanını tahmin
ediniz

Ŷ = 1.35 + (.36) (.50/12)(60 – 49)

Ŷ = 1.51
 Regresyon
• Y’nin tahmini standart hatasını bulunuz

SY.X = SY √(1 – r2)

SY.X = .50 √(1 - .362)
SY.X = .47
 Regresyon
• X değişkenin Y değişkeninde açıkladığı toplam
varyans nedir?

r = .36
r2 = (.36)2
r2 = .13
%13
 Regresyon
• Örnek: X ve Y değişkenlerine ait iki puan seti aşağıda
verilmiştir.
Korelasyon katsayısını bulunuz
Regresyon eşitliğini bulunuz
Determinasyon katsayısını bulunuz ve
yorumlayınız
Denek X Y
1 3 4
2 4 3
3 5 5
4 6 6
5 7 8
6 8 7
7 9 9
8 10 9
9 11 11
Denek X Y X2 Y2 XY
1 3 4 9 16 12
2 4 3 16 9 12
3 5 5 25 25 25
4 6 6 36 36 36
5 7 8 49 64 56
6 8 7 64 49 56
7 9 9 81 81 81
8 10 9 100 81 90
9 11 11 121 121 121
n=9 ∑X = 63 ∑Y = 62 ∑X2 = 501 ∑Y2 = 482 ∑XY = 489
(∑X)2 = 3969 (∑Y)2 = 3844
Ort. 6.30 6.20
 Regresyon

r = 9(489) – (63)(62) / √[9(501) – 3969][9(482) – 3844]

r = .96
 Regresyon
• Regresyon eşitliğini bulunuz

bYX =9(489) – (63)(62) / 9(501) – 3969

bYX = 495 / 540
bYX = .92
 Regresyon
• Regresyon eşitliğini bulunuz

aYX = 6.2 – (.92)(6.3) = 6.2 – 5.80

aYX = 0.4

Ŷ = a + bX
Ŷ = 0.4 + .92X
 Regresyon
• Determinasyon katsayısını bulunuz ve yorumlayınız

r = .96
r2 = (.96)2
r2 = .92
%92
 Regresyon
• Örnek: Aşağıda bir psikoloji deneyinden elde edilen X
ve Y değişkenlerine ait değerler verilmektedir.
Korelasyon katsayısını hesaplayınız
Regresyon eşitliğini yazınız
X = 300 için Y’nin değerini tahmin ediniz
No X Y
1 310 3,20
2 280 3
3 120 2,6
4 230 3,5
5 175 2,8
6 295 3,8
7 135 2,2
8 250 2,5
9 360 3,4
10 215 2,6
11 365 3,8
12 230 3
13 325 3,8
14 280 3,3
No X Y X2 Y2 XY
1 310 3,20 96100 10,24 992
2 280 3 78400 9 840
3 120 2,6 14400 6,76 312
4 230 3,5 52900 12,25 805
5 175 2,8 30625 7,84 490
6 295 3,8 87025 14,44 1121
7 135 2,2 18225 4,84 297
8 250 2,5 62500 6,25 625
9 360 3,4 129600 11,56 1224
10 215 2,6 46225 6,76 559
11 365 3,8 133225 14,44 1387
12 230 3 52900 9 690
13 325 3,8 105625 14,44 1235
14 280 3,3 78400 10,89 924
n=
14 ∑X = 3570 ∑Y = 43,50 ∑X2 = 986150 ∑Y2 = 138,71 ∑XY = 11501
(∑X)2 = 12744900 (∑Y)2 = 1892,25
Ort. 255 3.11
 Regresyon
• Korelasyon katsayısını hesaplayınız

r = 14(11501) – (3570)(43.5) / √[14(986150) –

12744900][14(138.71) – 1892.25]
r = .79
 Regresyon
• Regresyon eşitliğini yazınız

bYX = 14(11501) – (3570)(43.5) / 14(986150) –

12744900
bYX = .005
 Regresyon

aYX = 3.11 – (.005)(255) = 3.11 – 1.28

aYX = 1.83

Ŷ = a + bX
Ŷ = 1.83 + .005X
 Regresyon
• X = 300 için Y’nin değerini tahmin ediniz

Ŷ = a + bX
Ŷ = 1.83 + (.005)(300) = 1.83 + 1.5
Ŷ = 3.33
 Regresyon
• Örnek: Aşağıda bir eğitim programı öncesi ve
sonrasında öğrencilerin tutum puanları verilmektedir.
r’yi ve determinasyon katsayısını hesaplayınız
Regresyon eşitliğini yazınız
Denek Önce (X) Sonra (Y)
1 120 150
2 119 165
3 122 177
4 120 157
5 121 165
6 119 167
7 115 159
8 122 163
Denek Önce (X) Sonra (Y) X2 Y2 XY
1 120 150 14400 22500 18000
2 119 165 14161 27225 19635
3 122 177 14884 31329 21594
4 120 157 14400 24649 18840
5 121 165 14641 27225 19965
6 119 167 14161 27889 19873
7 115 159 13225 25281 18285
8 122 163 14884 26569 19886
n=8 ∑X = 958 ∑Y = 1303 ∑X2 = 114756 ∑Y2 = 212667 ∑XY = 156078
(∑X)2 = 917764 (∑Y)2 = 1697809
Ort. 119.75 162.875
 Regresyon

r = 8(156078) – (958)(1303) / √[8(114756) –

917764][8(212667) – 1697809]
r = .35

r2 = (.35)2 = 0.123
 Regresyon

bYX = 350 / 284

bYX = 1.23
 Regresyon

aYX = 162.88 – (1.23)(119.75) = 162.88 – 147.29

aYX = 15.59

Ŷ = a + bX
Ŷ = 15.59 + 1.23X