Regressionsanalys och korrelationskoefficient

Name: Regressionsanalys och korrelationskoefficient — Matte 2c
Author: Mikael Fallström

Matte 2c

Kursplaneförankrat (Lgr22/Gy25) och granskat av Mikael Fallström, grundare och ansvarig redaktör.

Data ljuger sällan — men de kan vara svåra att läsa. När du ritar ut hundra mätpunkter i ett diagram och ser att de ungefär följer en rät linje, vill du veta hur bra den linjen faktiskt passar, och om du kan använda den för att förutsäga nästa värde. Det är kärnan i regressionsanalys och korrelationskoefficient.

Regressionslinjen är den raka linje som minimerar avståndet till alla datapunkter — en bästa passning, inte en perfekt. Korrelationskoefficienten r säger sedan hur nära punkterna faktiskt ligger den linjen, på en skala från −1 till 1. Ett r nära 1 betyder starkt positivt samband, nära −1 starkt negativt, och nära 0 knappt något samband alls. Men r = 0,95 berättar inte varför sambandet finns — bara att det är starkt. Huspriser och temperatur kan samkorrelera utan att temperaturen orsakar huspriserna; de stiger båda på sommaren.

I Matte 2c gör du regressionsanalysen med digitala verktyg, vilket ger dig mer tid att tolka resultaten: förutsäger linjen rimliga värden? Håller sambandet om du extrapolerar utanför din data? Det är de frågorna som avgör om statistiken används klokt.

Ur kursplanen: Begreppen regressionsanalys och korrelationskoefficient. Digitala metoder för regressionsanalys.

Det här lär du dig

✓Förklara vad en regressionslinje är och hur den tolkas
✓Beräkna och tolka korrelationskoefficienten r
✓Använda digitala verktyg för att utföra regressionsanalys
✓Skilja på interpolation och extrapolation och förstå skillnaden i tillförlitlighet
✓Förklara varför korrelation inte innebär kausalitet

övningstyper

∞

genererade uppgifter

anpassad svårighet

Vanliga utmaningar

Tolkar korrelation som orsakssamband

Att r = 0,95 inte betyder att den ena variabeln orsakar den andra är ett klassiskt misstag. Glasskonsumtion och drunkningsolyckor samkorrelerar starkt — för att båda ökar på sommaren. Fråga alltid: finns det en logisk mekanism bakom sambandet, eller bara en gemensam bakomliggande faktor?

Extrapolerar utan att markera osäkerheten

Regressionslinjen är giltig inom det dataintervall du arbetat med. Använder du den för att förutsäga värden långt utanför riskerar du helt orimliga svar. Ange alltid explicit vilket intervall som är pålitligt och att du extrapolerar om du gör det.

Missförstår vad koefficienterna i y = kx + m betyder

Lutningen k säger hur mycket y förändras per enhet x. Skärningen m är y-värdet när x är noll. Skriv alltid ut koefficienterna i ord — 'för varje extra kilometer ökar priset med k kronor' — så att formeln hänger ihop med verkligheten.

Matte i vardagen

En cykelbutik noterar veckoförsäljningen och jämför med antal soltimmar den veckan. Med regressionsanalys hittar de ett samband som låter dem planera lagret inför soliga perioder.

Korrelationskoefficienten talar om hur starkt sambandet är — och om det är tillräckligt starkt för att prognoserna ska vara trovärdiga nog att agera på.

Trafiksäkerhetsstudier mäter bilhastighet och bromssträcka för hundratals fordon. Regressionslinjen visar ungefär hur många extra meter som krävs per 10 km/h hastighetstillägg.

r-värdet berättar hur konsekvent det sambandet är — ett högt r motiverar sänkta hastighetsgränser baserat på data, inte intuition.

Tips

💡Skriv alltid ut vad lutningen och skärningspunkten betyder i ord, kopplat till enheter: 'för varje extra studietimme ökar betygspoängen med 0,3 enheter.' Då märker du direkt om formeln ger rimliga svar.
💡Markera ditt dataområde i diagrammet. Förutsägelser inom det är interpolation — ganska pålitligt. Utanför är det extrapolation — behandla med skepsis och säg det tydligt i svaret.
💡Gör ett ögontest med spridningsdiagrammet innan du litar på r: ser punkterna ut som en tydlig rak linje? Om de bildar en kurva passar inte linjär regression, oavsett vad r-värdet råkar bli.

Exempeluppgifter

I [EQ0] undersökte vi sambandet mellan gjorda mål (GF) och insläppta mål (GA) med hjälp av datamängden "NHL19". Återskapa spridningsdiagrammet i Google Sheets och använd det för att bestämma ekvationen för regressionslinjen.
Givet följande tre datapunkter: $(1, 2)$, $(2, 4)$ och $(3, 6)$. Bestäm lutningen $a$ för regressionslinjen $y = ax + b$ som går genom dessa punkter. (Tips: Punkterna ligger exakt på en linje.)
Datamängden "NHL19" innehåller resultaten från säsongen 2018–2019 i National Hockey League. Kolumnerna är lag, vinster (W), förluster (L), förluster i förlängning (OTL), totala poäng (PTS), gjorda mål (GF), insläppta mål (GA) och målskillnad (skillnaden mellan GF och GA). Använd Google Sheets för att skapa ett spridningsdiagram för GF mot GA. När vi pratar om att plotta en mängd mot en annan, är den första responsvariabeln och den andra förklaringsvariabeln.