Model regresji wielomianowej ma nast\u0119puj\u0105c\u0105 posta\u0107:<\/span><\/p>\n Y = \u03b2 0<\/sub> +<\/sup> \u03b2 1<\/sub> X + \u03b2 2<\/sub> X 2<\/sup> + \u2026 + \u03b2 godz<\/sub><\/span><\/p>\n W praktyce istniej\u0105 trzy proste sposoby ustalenia, czy nale\u017cy zastosowa\u0107 regresj\u0119 wielomianow\u0105, czy prostszy model, taki jak regresja liniowa<\/a> .<\/span><\/p>\n Naj\u0142atwiejszym sposobem ustalenia, czy nale\u017cy zastosowa\u0107 regresj\u0119 wielomianow\u0105, jest utworzenie prostego wykresu rozrzutu zmiennej predykcyjnej i zmiennej odpowiedzi.<\/span><\/p>\n Za\u0142\u00f3\u017cmy na przyk\u0142ad, \u017ce chcemy u\u017cy\u0107 zmiennej predykcyjnej \u201egodziny nauki\u201d, aby przewidzie\u0107 ocen\u0119, jak\u0105 ucze\u0144 otrzyma z egzaminu ko\u0144cowego.<\/span><\/p>\n Przed dopasowaniem modelu regresji mo\u017cemy najpierw stworzy\u0107 wykres rozrzutu godzin przestudiowanych w por\u00f3wnaniu z wynikami egzaminu. Za\u0142\u00f3\u017cmy, \u017ce nasz wykres rozrzutu wygl\u0105da nast\u0119puj\u0105co:<\/span> <\/p>\n Zale\u017cno\u015b\u0107 mi\u0119dzy przepracowanymi godzinami a wynikami egzamin\u00f3w wydaje si\u0119 liniowa<\/strong> , zatem sensowne by\u0142oby dopasowanie do tego zbioru danych prostego modelu regresji liniowej.<\/span><\/p>\n Za\u0142\u00f3\u017cmy jednak, \u017ce wykres rozrzutu w rzeczywisto\u015bci wygl\u0105da nast\u0119puj\u0105co:<\/span> <\/p>\n Zale\u017cno\u015b\u0107 ta wydaje si\u0119 nieco bardziej nieliniowa<\/strong> , co m\u00f3wi nam, \u017ce rozs\u0105dniejszym rozwi\u0105zaniem mo\u017ce by\u0107 dopasowanie modelu regresji wielomianowej.<\/span><\/p>\n Innym sposobem ustalenia, czy nale\u017cy zastosowa\u0107 regresj\u0119 wielomianow\u0105, jest dopasowanie modelu regresji liniowej do zbioru danych, a nast\u0119pnie utworzenie wykresu dopasowanych warto\u015bci wzgl\u0119dem reszt<\/strong> modelu.<\/span><\/p>\n Je\u017celi w resztach wyst\u0119puje wyra\u017any nieliniowy trend, oznacza to, \u017ce regresja wielomianowa mo\u017ce zapewni\u0107 lepsze dopasowanie danych.<\/span><\/p>\n Za\u0142\u00f3\u017cmy na przyk\u0142ad, \u017ce dopasowujemy model regresji liniowej, wykorzystuj\u0105c przestudiowane godziny jako zmienn\u0105 predykcyjn\u0105 i wynik egzaminu jako zmienn\u0105 odpowiedzi, a nast\u0119pnie tworzymy nast\u0119puj\u0105cy wykres dopasowanych warto\u015bci w funkcji reszt:<\/span> <\/p>\n Reszty s\u0105 losowo rozproszone wok\u00f3\u0142 zera, bez wyra\u017anego wzoru, co wskazuje, \u017ce model liniowy zapewnia odpowiednie dopasowanie do danych.<\/span><\/p>\n Za\u0142\u00f3\u017cmy jednak, \u017ce nasz wykres dopasowanych warto\u015bci wzgl\u0119dem reszt w rzeczywisto\u015bci wygl\u0105da nast\u0119puj\u0105co:<\/span> <\/p>\n Z wykresu wida\u0107, \u017ce reszty maj\u0105 wyra\u017any nieliniowy wz\u00f3r \u2013 reszty maj\u0105 kszta\u0142t litery \u201eU\u201d.<\/span><\/p>\n To m\u00f3wi nam, \u017ce model liniowy nie jest odpowiedni dla tych konkretnych danych i \u017ce m\u0105drzej by\u0142oby zamiast tego dopasowa\u0107 model regresji wielomianowej.<\/span><\/p>\n Innym sposobem ustalenia, czy nale\u017cy zastosowa\u0107 regresj\u0119 wielomianow\u0105, jest dopasowanie zar\u00f3wno modelu regresji liniowej, jak i modelu regresji wielomianowej i obliczenie dopasowanych warto\u015bci R-kwadrat dla obu modeli.<\/span><\/p>\n Skorygowany R-kwadrat reprezentuje cz\u0119\u015b\u0107 wariancji zmiennej odpowiedzi, kt\u00f3r\u0105 mo\u017cna wyja\u015bni\u0107 zmiennymi predykcyjnymi w modelu, skorygowan\u0105<\/em> o liczb\u0119 zmiennych predykcyjnych w modelu.<\/span><\/p>\n Model z najwy\u017cszym skorygowanym kwadratem R reprezentuje model, kt\u00f3ry najlepiej potrafi wykorzysta\u0107 zmienne predykcyjne do wyja\u015bnienia zmienno\u015bci zmiennej odpowiedzi.<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak przeprowadzi\u0107 regresj\u0119 wielomianow\u0105 przy u\u017cyciu r\u00f3\u017cnych program\u00f3w statystycznych:<\/span><\/p>\n Wprowadzenie do regresji wielomianowej<\/a> Regresja wielomianowa to technika, kt\u00f3rej mo\u017cemy u\u017cy\u0107 do dopasowania modelu regresji, gdy zwi\u0105zek mi\u0119dzy zmiennymi predykcyjnymi a zmienn\u0105 odpowiedzi jest nieliniowy. Model regresji wielomianowej ma nast\u0119puj\u0105c\u0105 posta\u0107: Y = \u03b2 0 + \u03b2 1 X + \u03b2 2 X 2 + \u2026 + \u03b2 godz W praktyce istniej\u0105 trzy proste sposoby ustalenia, czy nale\u017cy zastosowa\u0107 […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-2179","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n 1. Utw\u00f3rz wykres rozrzutu zmiennej predykcyjnej i zmiennej odpowiedzi<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/quandpol1.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/quandpol2.png\")
<\/p>\n 2. Utw\u00f3rz wykres warto\u015bci dopasowanych i resztowych<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/quandpol4.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/quandpol3.png\")
<\/p>\n 3. Oblicz skorygowan\u0105 warto\u015b\u0107 R-kwadrat modelu<\/strong><\/span><\/h3>\n
Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak wykona\u0107 regresj\u0119 wielomianow\u0105 w R<\/a>
Jak wykona\u0107 regresj\u0119 wielomianow\u0105 w Pythonie<\/a>
Jak wykona\u0107 regresj\u0119 wielomianow\u0105 w programie Excel<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"