Vita:Lineáris regresszió

Ez a szócikk témája miatt a matematikai műhely érdeklődési körébe tartozik.
Bátran kapcsolódj be a szerkesztésébe! Besorolatlan Ezt a szócikket még nem sorolták be a kidolgozottsági skálán. Nem értékelt Ezt a szócikket még nem értékelték a műhely fontossági skáláján. Értékelő szerkesztő: ismeretlen

Bár jó, hogy itt van egyáltalán valami, de például a könyvekből kimásolt szövegeknek megvan az a hibája, hogy például nincsenek benne az ábrák, amire utal a szöveg, továbbá tele van hibás indexálással. És a lineáris regresszió, bár alkalmazható a pszichológia és a biostatisztika terén is, nem éppen erről szól. Jelen pillanatban azonban nem tudok ennél hosszabbat írni, ezért nem szeretném letörölni az egészet, de ezt a cikket nagyon át kell dolgozni. Drkazmer ^vita 2008. május 1., 15:48 (CEST)

Ha így gondolod, tedd ki az átdolgozás sablont az elejére. Mami^{virágot az öltözőbe} 2008. május 1., 15:50 (CEST)

Átdolgozás

Azt gondoltam, magamra vállalom egypár statisztikai szócikk átdolgozását, teljeskörűbbé tételét. Itt kezdem. Igyekszem a számomra elérhető legátfogóbb tárgyalási módot választani (pl. feltételes átlagfüggvény), amivel első sorban statisztikai ill. ökonometriai könyvekben, cikkekben találkozom. De természetesen majdnem minden tudomány használja ezeket a fogalmakat, így ha van valami olyan szemléletmód, ami nem jelenik meg a cikkben (idővel), akkor örömmel venném a kiegészítést.

Nem szeretem azokat a cikkeket, amik általánosságuk ellenére egy nézőpontból vannak megírva (mert pl. valakinek volt egyszer az egyetemen egy tárgya a témakörben). --Neruo ^vita 2012. november 18., 17:58 (CET)

A lineáris regresszió alkalmazásának korlátai

Áttettem egyelőre ide, mert elfelejtettem mi a szövegelrejtés karakterkombinációja. --Neruo ^vita 2012. november 19., 00:56 (CET)

Az x és y értékei nem felcserélhetők, az x érték alapján szeretnénk előre jelezni az y értéket.

Bár matematikailag az összefüggés a végtelen kicsi és a végtelen nagy irányban is megmarad az x és az y között, lehetőleg csak a megfigyelések által meghatározott tartományban számoljunk ezzel, mert az y értékek negatívvá is válhatnak, melynek biológiailag legtöbbször nincs semmi értelme.

Feltétel továbbá, hogy a reziduumok távolsága a regressziós egyenestől normál eloszlású, vagy ezt megközelítő legyen.

Minden vizsgált minta egymástól függetlenül legyen kiválasztva.

Az x és az y értéket egymástól függetlenül határozzuk meg: tehát a korrelációhoz hasonlóan nem szabad lineáris regressziót számolni egy változó kiinduló értéke és ennek változásának mértéke között, hiszen utóbbi kiszámításánál az előzőt is figyelembe vettük.

Ha a=0, x és y lineárisan függetlenek egymástól.

Ha lineáris vagy ezt megközelítő összefüggés látszik az x és y között, akkor egyszerű vagy simple lineáris regresszió módszerével dolgozhatunk. Az analízis módszerét kiterjeszthetjük két vagy több független változóra, ezt nevezzük többszörös lineáris regressziónak. Példánknál maradva vizsgálható a fizetés és elégedettség kapcsolata az életkorral. Megfigyelhető a változók hatásának ellentétes alakulása: a fizetés nagyságával az elégedettség növekedése, az életkorral a csökkenése.

Szőke bölcsész vagyok

Igazából nem… őszülő barna villamosmérnök. (Elnézést kérek a szőkéktől és a bölcsészektől.)

Nem értek néhány olyan dolgot a szócikkben, amit akkor is meg kellene belőle értenem, ha az elméletben elmélyedni nem kívánó alkalmazó lennék. Sőt akkor kellene igazából megértenem, mert ha specialista vagyok, akkor nagyjából tudom, miről van szó.

Van-e valami köze a regressziónak a korrelációhoz? Ott is valami olyasmi van, nem, hogy egy dolog tendenciaszerűen nagyobb, ha a másik dolog nagyobb és kisebb, ha a másik dolog kisebb? Ja és mindez lineárisan, ebben is hasonlítanak.

Mindegy-e, hogy a pontfelhőre sikeresen ráfektetett egyenesnek a pontok a közvetlen környezetében vannak-e, vagy tőle jó távol, véletlenszerűen? Hogyan interpretáljam, ha felismerem, hogy az egyik vagy másik esettel van dolgom?

Aztán. Most már nem szorítkozva az alkalmazásra. Mi az a ${\widehat {\rm {Cov}}}$? Mi a ${\widehat {\rm {Var}}}$? Legalább meg kellene nevezni a két fogalmat. A nevük alapján azt gondolom (de direkt nem nézek utána, mert most szőke bölcsész vagyok; ismételten bocsánatot kérek), hogy kovariancia, és szórásnégyzet. Van valami képlet a kiszámításukra?

A vektorok transzponálását szerintem elég szerencsétlen dolog felső vesszővel jelölni. De ha már azzal sikerült, akkor a magyarázatba nem tehetjük a &39; kódú aposztróf-jelet ('), hanem a matematikai felső vesszőt ′ kellene odaírni, a magyarul perc, angolul Prime néven azonosított jelet (′).

Kinagyítom, ez a különbség

Aposztróf y' vö. perc y′.

A szócikkben még jobban látszik, mert a matematikai képletben használt font nem talp nélküli, hanem talpas. Szép nagy, egyenes vonalú, alul hegyes, ferde vessző van benne ($'$).

Valamint. Mi a reziduum? Értem én, hogy maradéktag, oda van írva. De ugye ez tökéletesen más, mint az analízisben, közelebbről a komplex függvények elméletében használt fogalom? A Wikipédia sajnálatosan ezt a főjelentést adja meg, ezért ide valami apró magyarázó jegyzet szükséges. (Pedig több tudományág fogalma is, ezért sajnálatos. Kellene ezekkel is foglalkozni; de ez nem ide tartozik.)

Tisztelettel javaslom gondozójának ebben a szellemben átfésülni a szócikket. – Garamond ^vita 2019. augusztus 25., 02:12 (CEST)