Bu hesaplayıcı ne işe yarar?
Bu araç, elinizdeki (x, y) eşleşmiş gözlem tablosuna seçtiğiniz eğri regresyon modelini en küçük kareler yöntemiyle uydurur. Uydurulan katsayıları (A, B ve ikinci dereceden model için C), modelin verilere ne kadar iyi uyduğunu gösteren korelasyon katsayısı r'yi ve uydurulan denklemden doğrudan hesaplanan bir tahmini değeri verir. Ülkeye özgü herhangi bir kural içermeyen, evrensel bir matematik ve istatistik aracıdır.
Yedi model
Şu modeller arasından seçim yapabilirsiniz: Doğrusal (\(y = A + B\cdot x\)), Logaritmik (\(y = A + B\cdot\ln x\)), e-Üstel (\(y = A\cdot e^{Bx}\)), ab-Üstel (\(y = A\cdot B^{x}\)), Kuvvet (\(y = A\cdot x^{B}\)), Ters (\(y = A + B/x\)) veya İkinci Dereceden (\(y = A + B\cdot x + C\cdot x^{2}\)). İkinci dereceden model dışındaki tüm modeller, \(Y = a + b\cdot X\) biçimine doğrusallaştırılarak sıradan en küçük kareler uygulanmasıyla çözülür; ikinci dereceden model ise \(3\times 3\) normal denklemlerinden hesaplanır.
Nasıl kullanılır?
x değerlerinizi ve y değerlerinizi eşit uzunlukta, virgülle ayrılmış listeler olarak girin; bir regresyon türü seçin; x'ten y'yi mi yoksa y'den x'i mi tahmin etmek istediğinizi belirleyin ve bilinen giriş değerini yazın. Hesaplayıcı katsayıları, r korelasyonunu ve tahmini size sunar.
Formülün açıklaması
Doğrusallaştırılmış \((X, Y)\) çiftleri için: \(b = S_{xy} / S_{xx}\) ve \(a = \bar{Y} - b\cdot\bar{X}\); burada \(S_{xx} = \sum X^2 - n\bar{X}^2\) ve \(S_{xy} = \sum XY - n\bar{X}\bar{Y}\). Korelasyon $$r = \frac{S_{xy}}{\sqrt{S_{xx}\cdot S_{yy}}}$$ şeklindedir. Ardından katsayılar geri yerine konur (örneğin üstel ve kuvvet modellerinde \(A = e^a\)).
Çözümlü örnek
x = [1,2,3,4,5,6,7] ve y = [3,5,7,8,11,13,14] verileri için doğrusal uydurma yapalım: \(S_{xx} = 28\), \(S_{xy} = 53\); dolayısıyla $$B = \frac{53}{28} = 1{,}892857$$ ve $$A = 8{,}714286 - 1{,}892857\cdot 4 = 1{,}142857.$$ Korelasyon $$r = \frac{53}{\sqrt{28\cdot 101{,}4286}} = 0{,}99453$$ olur. x = 64 için y'yi tahmin edersek $$1{,}142857 + 1{,}892857\cdot 64 = 122{,}2857$$ elde ederiz (bu, veri aralığının çok ötesinde bir dışdeğerlemedir).
Adım Adım: Bir Eğriyi Elle Uydurma
- Modeli seçin. Saçılım grafiğinin şekline ve süreç hakkında bildiklerinize dayanarak doğrusal, logaritmik, üstel (e-formu veya ab-formu), kuvvet, ters veya ikinci dereceden modelden birini seçin.
- Tanım kümesi kısıtlarını kontrol edin. Logaritmik model x > 0 gerektirir. Üstel model y > 0 gerektirir. Kuvvet modeli hem x > 0 hem de y > 0 gerektirir. Ters model x ≠ 0 gerektirir. Herhangi bir veri noktası kurala aykırıysa, bu model verilere uydurulamaz.
- Veriyi dönüştürün. Model gerektirdiğinde x ve y yerine X ve Y koyun: X = ln x, Y = ln y veya X = 1/x. Model bir değişkeni dönüştürmüyorsa o değişkeni olduğu gibi bırakın.
- Toplamları, ortalamaları ve kareler toplamını hesaplayın dönüştürülmüş veri üzerinde (n nokta):
$$S_{xx}=\sum X^2-\frac{(\sum X)^2}{n},\quad S_{xy}=\sum XY-\frac{\sum X\,\sum Y}{n},\quad S_{yy}=\sum Y^2-\frac{(\sum Y)^2}{n}$$ ve ortalamalar \(\bar X=\sum X/n\), \(\bar Y=\sum Y/n\). - Doğrunun eğimini ve kesişimini bulun \(Y = a + bX\) doğrusu için:
$$b=\frac{S_{xy}}{S_{xx}},\qquad a=\bar Y-b\,\bar X$$ - Orijinal parametrelere geri dönün. ab-üstel model için \(A=e^{a}\) ve \(B=e^{b}\). e-üstel ve kuvvet modelleri için \(A=e^{a}\) ve \(B=b\). Logaritmik ve ters modeller için \(A=a\) ve \(B=b\).
- Korelasyon katsayısını hesaplayın:
$$r=\frac{S_{xy}}{\sqrt{S_{xx}\,S_{yy}}}$$ Bu, dönüştürülmüş veri üzerinden hesaplanır. - Tahmin yapın. x değerinizi uydurulmuş denkleme koyun (örneğin kuvvet uydurması için \(\hat y = A\,x^{B}\)). Verilen bir y değerinden x tahmin etmek için denklemi yeniden düzenleyin ve sonucun modelin tanım kümesinde olup olmadığını kontrol edin.
İkinci dereceden model notu. İkinci dereceden \(\hat y = A + Bx + Cx^2\) modeli doğrusallaştırılmaz. Bunun yerine 3×3 normal denklemler çözülür:
$$\begin{aligned}\sum y &= nA + B\sum x + C\sum x^2\\ \sum xy &= A\sum x + B\sum x^2 + C\sum x^3\\ \sum x^2y &= A\sum x^2 + B\sum x^3 + C\sum x^4\end{aligned}$$Σx, Σx², Σx³, Σx⁴, Σy, Σxy ve Σx²y toplamlarına ihtiyacınız vardır. Sistemi Cramer kuralı veya Gauss eliminasyonu ile çözün. En az üç farklı x değeri gereklidir.
Modele Göre Doğrusallaştırma Dönüşümleri
| Model | Denklem | Dönüştürülmüş X | Dönüştürülmüş Y | Doğrusal biçim | Geri yerine koyma (doğrudan a, b ile) | Tanım kümesi kısıtı |
|---|---|---|---|---|---|---|
| Doğrusal | \(y = A + Bx\) | x | y | \(y = a + bx\) | A = a, B = b | Yok |
| Logaritmik | \(y = A + B\ln x\) | ln x | y | \(y = a + bX\) | A = a, B = b | x > 0 |
| Üstel (e-formu) | \(y = A e^{Bx}\) | x | ln y | \(\ln y = a + bx\) | A = ea, B = b | y > 0 |
| Üstel (ab-formu) | \(y = A B^{x}\) | x | ln y | \(\ln y = a + bx\) | A = ea, B = eb | y > 0 |
| Kuvvet | \(y = A x^{B}\) | ln x | ln y | \(\ln y = a + bX\) | A = ea, B = b | x > 0 ve y > 0 |
| Ters | \(y = A + B/x\) | 1/x | y | \(y = a + bX\) | A = a, B = b | x ≠ 0 |
| İkinci dereceden | \(y = A + Bx + Cx^2\) | Doğrusallaştırma yok | 3×3 normal denklemleri çözün | A, B, C doğrudan çözümden elde edilir | Yok (en az 3 farklı x değeri gerekir) | |
E-formu ve ab-formu üstel modeller aynı eğri ailesini tanımlar: \(B_{ab}=e^{B_{e}}\). Aynı uydurmayı ve aynı r değerini verirler.
r Değerini Yorumlama ve Modeller Arasında Seçim
- Aralık ve işaret. r, −1 ile 1 arasında yer alır. Pozitif bir r, Y'nin X ile birlikte artma eğiliminde olduğunu, negatif bir r ise azalma eğiliminde olduğunu gösterir. |r| değerinin 1'e yakın olması uydurulan biçime güçlü bir uyumu, 0'a yakın olması ise zayıf bir uyumu gösterir.
- Dönüştürülmüş modeller. Logaritmik, üstel, kuvvet ve ters uydurmalarda r, dönüştürülmüş veri üzerinden hesaplanır (örneğin ln y'ye karşı ln x). Bu nedenle orijinal ölçekteki doğrusal uydurmanın r değeriyle doğrudan karşılaştırılamaz. Modelleri r'ye göre karşılaştırmak yalnızca kaba bir rehberdir.
- r² (açıklanan varyans). r², dönüştürülmüş Y'deki varyansın uydurulan doğru tarafından açıklanan oranıdır. Örneğin r = 0,90 için r² = 0,81 olur, yani varyansın yaklaşık %81'i açıklanır.
- Korelasyon nedensellik değildir. Yüksek bir r, bir değişkenin diğerine neden olduğunu veya seçilen modelin gerçek ilişki olduğunu göstermez. Farklı eğriler aynı veriye yaklaşık olarak eşit derecede iyi uyabilir.
- Artıkları kontrol edin. Gözlenen ve uydurulan değerler arasındaki farkları çizin. Bunlar sıfır etrafında rastgele dağılmalıdır. Bir eğri veya huni şekli gibi görünür bir örüntü, r yüksek olsa bile modelin uygun olmadığını gösterir.
- Ekstrapolasyon riski. X verilerinizin aralığı içindeki tahminler (interpolasyon) genellikle bu aralığın dışındakilerden çok daha güvenilirdir. Üstel, kuvvet ve ikinci dereceden eğriler veri aralığının ötesinde keskin biçimde sapabilir.
- İkinci dereceden model ile doğrusal model. İkinci dereceden model, daha fazla parametreye sahip olduğu ve doğrusal modeli özel bir durum (C = 0) olarak içerdiği için, aynı veride doğrusal modelden her zaman en az o kadar iyi uyar. Bu nedenle yalnızca daha iyi bir uyum, ek terimi haklı çıkarmaz. İyileşme anlamlı değilse ve eğrilik süreç açısından mantıklı değilse daha basit modeli tercih edin.
- Örneklem büyüklüğü. Çok az nokta varken yüksek bir r bile tesadüfen ortaya çıkabilir. Mümkün olduğunca fazla veri kullanın.
Sıkça sorulan sorular
r değeri nasıl yorumlanır? Genel olarak: \(0{,}7 < |r| \le 1\) güçlü, \(0{,}4 < |r| < 0{,}7\) orta, \(0{,}2 < |r| < 0{,}4\) zayıf, 0,2'nin altı ise ihmal edilebilir ilişki anlamına gelir.
Bazı modeller neden reddediliyor? Logaritmik ve kuvvet modelleri \(x > 0\) koşulunu, üstel ve kuvvet modelleri \(y > 0\) koşulunu, ters model ise \(x \ne 0\) koşulunu gerektirir; çünkü bu modeller logaritma veya ters çevirme dönüşümlerine dayanır.
Dışdeğerleme yapabilir miyim? Evet, ancak gözlemlenen veri aralığının dışındaki tahminler birer dışdeğerlemedir ve dikkatle değerlendirilmelidir.