الانحدار الخطي البسيط

خطوات الاستخدام

الخطوة 1: قم بإعداد بياناتك. أدخل قائمتين من الأرقام للمتغير التابع (y) والمتغير المستقل (x). تأكد من أن كل زوج (x, y) يشير إلى نفس الملاحظة. ستحسب الآلة تلقائيًا المتوسطات الحسابية (x̄ و ȳ) عن طريق جمع جميع القيم وقسمتها على عدد الملاحظات n. هذه الخطوة حاسمة لأن معاملات الانحدار تُشتق من الانحرافات حول هذه المتوسطات.

الخطوة 2: حساب الانحرافات. لكل نقطة بيانات، احسب الفرق عن المتوسط: (xi - x̄) و (yi - ȳ). تمثل هذه الانحرافات مدى بعد كل ملاحظة عن المتوسط، وتشكل نواتجها جوهر حساب الميل. تجمع الآلة حاصل ضرب الانحرافات Σ(xi - x̄)(yi - ȳ) للحصول على بسط التباين المشترك، وتجمع مربعات الانحرافات Σ(xi - x̄)² لتباين x.

الخطوة 3: حساب الميل (β₁). قسّم مجموع حاصل الضرب التقاطعي على مجموع مربعات انحرافات x: β₁ = Σ((xi - x̄)(yi - ȳ)) / Σ((xi - x̄)²). يخبرك الميل بالتغير المتوقع في y عند زيادة x بمقدار وحدة واحدة. يشير الميل الموجب إلى علاقة طردية، والسالب إلى علاقة عكسية. المقام موجب دائمًا ما لم تكن جميع قيم x متطابقة، وفي هذه الحالة يكون الميل غير معرّف.

الأسئلة الشائعة

يجد الانحدار الخطي البسيط الخط الذي يقلل مجموع مربعات المسافات الرأسية (البواقي) بين النقاط المرصودة والخط. تسمى هذه طريقة المربعات الصغرى العادية (OLS). تأتي صيغ الميل (β₁) والمقطع (β₀) من حل مشكلة التصغير باستخدام التفاضل. نبدأ بمجموع مربعات الخطأ: SSE = Σ(yi - (β₀ + β₁ xi))². نأخذ المشتقات الجزئية بالنسبة لـ β₀ و β₁، ونضعها صفراً، ونحصل على معادلتين عاديتين: Σyi = nβ₀ + β₁ Σxi Σxi yi = β₀ Σxi + β₁ Σxi² بالحل المتزامن نحصل على: β₁ = [n Σxi yi - (Σxi)(Σyi)] / [n Σxi² - (Σxi)²] = Σ((xi - x̄)(yi - ȳ)) / Σ((xi - x̄)²) β₀ = ȳ - β₁ x̄ يمثل الميل التباين المشترك بين x و y مقسوماً على تباين x. يضمن المقطع أن الخط يمر عبر نقطة المتوسط (x̄, ȳ). يوضح هذا الاشتقاق أن خط الانحدار هو أفضل مقدر خطي غير منحاز (BLUE) في ظل افتراضات غاوس-ماركوف، مما يجعله أداة قوية للتنبؤ والاستدلال. التطبيق العملي: في الاقتصاد، يُستخدم لتقدير دوال الاستهلاك (مثل الإنفاق كدالة للدخل). في الطب، لنمذجة استجابة الدواء. طريقة المربعات الصغرى أساسية في الإحصاء لأنها توفر حلاً مغلقاً وسهل التفسير.

يعتمد الانحدار الخطي البسيط على عدة افتراضات أساسية: 1. الخطية: العلاقة بين x و y خطية. يمكن التحقق منها بمخطط الانتشار. 2. الاستقلالية: الملاحظات مستقلة عن بعضها البعض. في بيانات السلاسل الزمنية، قد يكون الارتباط الذاتي مشكلة. 3. ثبات التباين: تباين الأخطاء (البواقي) ثابت عبر جميع مستويات x. يشير مخطط البواقي على شكل قمع إلى عدم ثبات التباين. 4. التوزيع الطبيعي: الأخطاء موزعة طبيعياً (مهم بشكل خاص للعينات الصغيرة واختبار الفرضيات). يمكن استخدام مخطط Q-Q أو اختبار شابيرو-ويلك. 5. عدم وجود خطأ قياس في x: المتغير المستقل يُقاس بدون خطأ (أو الخطأ مهمل). انتهاك هذه الافتراضات يمكن أن يؤدي إلى تقديرات متحيزة للمعاملات، وأخطاء معيارية غير صحيحة، واستدلالات مضللة. على سبيل المثال، عدم ثبات التباين لا يسبب تحيزاً للمعاملات ولكنه يؤثر على فترات الثقة. عملياً، نستخدم أخطاء معيارية قوية أو تحويلات (مثل التحويل اللوغاريتمي) للتخفيف من المشكلات. عند استخدام هذه الآلة الحاسبة، تأكد من أن بياناتك تلبي هذه الافتراضات تقريباً للحصول على نتائج ذات معنى. للعلاقات غير الخطية، فكر في الانحدار متعدد الحدود أو نماذج أخرى.

يقيس الميل β₁ متوسط التغير في المتغير التابع y عند زيادة المتغير المستقل x بمقدار وحدة واحدة. إنه مقياس لحجم التأثير واتجاهه. على سبيل المثال، إذا كان β₁=2.5، فإن y تزيد بمقدار 2.5 وحدة في المتوسط لكل وحدة إضافية من x. المقطع β₀ هو القيمة المتوقعة لـ y عندما x=0. ومع ذلك، إذا كانت x=0 خارج نطاق البيانات أو غير منطقية (مثل الطول=0 للبشر)، فقد لا يكون للمقطع تفسير عملي. لكنه ضروري رياضياً لملاءمة الخط. في مثل هذه الحالات، يمكن توسيط المتغير المستقل (طرح المتوسط) لجعل المقطع أكثر قابلية للتفسير: يصبح القيمة المتوقعة لـ y عند متوسط x. على سبيل المثال، في دراسة الوزن مقابل الطول، إذا كان الطول=0 مستحيلاً، يمكنك الإبلاغ عن المقطع كالوزن المتوقع عند متوسط الطول. بدلاً من ذلك، يبقى الميل هو المعامل الرئيسي المهم. ضع في اعتبارك السياق دائماً: إذا كان x جرعة بالمليغرام و y ضغط الدم، فإن الميل يخبر بانخفاض ضغط الدم لكل ملغ من الدواء. توفر الآلة كلا المعاملين؛ استخدمهما مع المعرفة بالمجال لاستخلاص استنتاجات ذات معنى.

يقيس الارتباط (r) قوة واتجاه العلاقة الخطية بين متغيرين، ويتراوح من -1 إلى 1. يوفر الانحدار معادلة للتنبؤ بـ y من x. بينما الارتباط متماثل (لا يميز بين التابع والمستقل)، يفترض الانحدار اتجاه سببي أو تنبؤي (x تتنبأ بـ y). إذا كان الارتباط ضعيفاً (قريب من 0)، سيكون لخط الانحدار ميل ضحل وستكون التوقعات قريبة من متوسط y بغض النظر عن x. بعبارة أخرى، يشرح الانحدار تبايناً قليلاً (R² منخفض). ومع ذلك، يمكنك لا يزال استخدام معادلة الانحدار للتنبؤ، لكن فترات التنبؤ ستكون واسعة. على سبيل المثال، مع r=0.1، التنبؤ بـ y من x لا يكاد يكون أفضل من استخدام المتوسط. لذا، بينما هو ممكن تقنياً، ليس مفيداً جداً. في المقابل، الارتباط القوي (|r| > 0.8) يشير إلى أن خط الانحدار سيكون مناسباً جيداً وستكون التوقعات أكثر دقة. لكن الارتباط لا يعني السببية؛ قد يكون الارتباط القوي زائفاً أو بسبب متغير ثالث. تركز هذه الآلة على معاملات الانحدار؛ يمكنك حساب r بشكل منفصل باستخدام الصيغة r = β₁ * (sx/sy). استخدم الانحدار للتنبؤ والارتباط لقوة العلاقة.

الانحدار الخطي البسيط

أدخل القيم

خطوات الاستخدام

أمثلة محلولة

أمثلة محسوبة

الأسئلة الشائعة

أدخل القيم

خطوات الاستخدام

1لنفترض أن لدينا بيانات عن ساعات الدراسة (x) ودرجات الامتحان (y) لخمسة طلاب: (2,65), (3,70), (5,80), (7,85), (9,95). أوجد معادلة الانحدار الخطي وتوقع درجة طالب يدرس 6 ساعات.

2مجموعة بيانات عقارية توضح أسعار المنازل (y بالألف دولار) مقابل المساحة (x بمئات الأقدام المربعة) لأربعة منازل: (10,200), (15,250), (20,300), (25,350). احسب معاملي الانحدار وفسر الميل.

أمثلة محسوبة

الأسئلة الشائعة