Ten typ wykresu jest cz\u0119sto u\u017cywany do oceny, czy model regresji liniowej jest odpowiedni dla danego zbioru danych, oraz do sprawdzenia reszt pod k\u0105tem heteroskedastyczno\u015bci<\/a> .<\/span><\/p>\n Poni\u017cszy przyk\u0142ad pokazuje krok po kroku, jak utworzy\u0107 wykres reszt dla prostego modelu regresji liniowej w Arkuszach Google.<\/span><\/p>\n Zacznijmy od wpisania nast\u0119puj\u0105cych warto\u015bci dla zbioru danych:<\/span> <\/p>\n Nast\u0119pnie u\u017cyjemy funkcji SLOPE<\/strong> i INTERCEPT<\/strong> do obliczenia prostego r\u00f3wnania modelu regresji liniowej dla tego zbioru danych:<\/span> <\/p>\n Korzystaj\u0105c z tych warto\u015bci, mo\u017cemy napisa\u0107 nast\u0119puj\u0105ce proste r\u00f3wnanie regresji liniowej:<\/span><\/p>\n y = 29,631 + 0,755x<\/span><\/p>\n Nast\u0119pnie mo\u017cemy u\u017cy\u0107 r\u00f3wnania regresji do obliczenia przewidywanych warto\u015bci dla ka\u017cdej obserwacji.<\/span><\/p>\n Wpiszemy nast\u0119puj\u0105c\u0105 formu\u0142\u0119 w kom\u00f3rce C2<\/strong> :<\/span><\/p>\n Mo\u017cemy nast\u0119pnie skopiowa\u0107 i wklei\u0107 t\u0119 formu\u0142\u0119 do ka\u017cdej pozosta\u0142ej kom\u00f3rki w kolumnie C<\/strong> :<\/span> <\/p>\n Reszta<\/a> to r\u00f3\u017cnica mi\u0119dzy warto\u015bci\u0105 obserwowan\u0105 a warto\u015bci\u0105 przewidywan\u0105 w modelu regresji.<\/span><\/p>\n Oblicza si\u0119 go w nast\u0119puj\u0105cy spos\u00f3b:<\/span><\/p>\n Warto\u015b\u0107 rezydualna = Warto\u015b\u0107 obserwowana \u2013 Warto\u015b\u0107 przewidywana<\/strong><\/span><\/p>\n Aby obliczy\u0107 reszt\u0119 dla ka\u017cdej obserwacji w naszym zbiorze danych, mo\u017cemy wpisa\u0107 nast\u0119puj\u0105c\u0105 formu\u0142\u0119 w kom\u00f3rce D2<\/strong> :<\/span><\/p>\n Mo\u017cemy nast\u0119pnie skopiowa\u0107 i wklei\u0107 t\u0119 formu\u0142\u0119 do ka\u017cdej pozosta\u0142ej kom\u00f3rki w kolumnie D<\/strong> :<\/span> <\/p>\n Aby utworzy\u0107 wykres resztowy, mo\u017cemy pod\u015bwietli\u0107 warto\u015bci z zakresu A2:A13<\/strong> , nast\u0119pnie przytrzyma\u0107 klawisz \u201eCtrl\u201d i pod\u015bwietli\u0107 warto\u015bci z zakresu D2:D13<\/strong> .<\/span> <\/p>\n Nast\u0119pnie kliknij kart\u0119 Wstaw<\/strong> , a nast\u0119pnie w menu rozwijanym kliknij opcj\u0119 Wykres<\/strong> .<\/span><\/p>\n W panelu Edytor wykres\u00f3w<\/strong> , kt\u00f3ry pojawi si\u0119 po prawej stronie ekranu, jako typ wykresu wybierz Wykres punktowy<\/strong> :<\/span> <\/p>\n Automatycznie pojawi si\u0119 nast\u0119puj\u0105cy wykres resztowy:<\/span> <\/p>\n O\u015b x wy\u015bwietla warto\u015bci zmiennej predykcyjnej w naszym modelu regresji, a o\u015b y wy\u015bwietla reszty.<\/span><\/p>\n Kluczowym za\u0142o\u017ceniem<\/a> regresji liniowej jest to, \u017ce reszty maj\u0105 sta\u0142\u0105 wariancj\u0119 na ka\u017cdym poziomie x, dlatego cz\u0119sto u\u017cywamy wykresu reszt, aby okre\u015bli\u0107, czy to za\u0142o\u017cenie jest spe\u0142nione.<\/span><\/p>\n Je\u015bli reszty na wykresie s\u0105 w przybli\u017ceniu r\u00f3wnomiernie roz\u0142o\u017cone wok\u00f3\u0142 zera i nie ma wyra\u017anego trendu, w\u00f3wczas og\u00f3lnie m\u00f3wimy, \u017ce spe\u0142nione jest za\u0142o\u017cenie o sta\u0142ej wariancji.<\/span><\/p>\n Na powy\u017cszym wykresie reszt mo\u017cemy zobaczy\u0107, \u017ce punkty na wykresie wydaj\u0105 si\u0119 by\u0107 losowo rozproszone wok\u00f3\u0142 zera, bez wyra\u017anego wzoru. Doszliby\u015bmy zatem do wniosku, \u017ce w przypadku tego konkretnego modelu regresji spe\u0142nione jest za\u0142o\u017cenie o sta\u0142ej wariancji.<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak wykonywa\u0107 inne typowe zadania w Arkuszach Google:<\/span><\/p>\n Jak wykona\u0107 regresj\u0119 liniow\u0105 w Arkuszach Google<\/a> Wykres reszt to rodzaj wykresu, kt\u00f3ry przedstawia dopasowane warto\u015bci wzgl\u0119dem reszt dla modelu regresji. Ten typ wykresu jest cz\u0119sto u\u017cywany do oceny, czy model regresji liniowej jest odpowiedni dla danego zbioru danych, oraz do sprawdzenia reszt pod k\u0105tem heteroskedastyczno\u015bci . Poni\u017cszy przyk\u0142ad pokazuje krok po kroku, jak utworzy\u0107 wykres reszt dla prostego modelu regresji liniowej […]<\/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-2781","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Krok 1: Wprowad\u017a dane<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/residentgoogle1.jpg\")
<\/p>\n Krok 2: Oblicz r\u00f3wnanie modelu regresji<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/residentgoogle2.jpg\")
<\/p>\n Krok 3: Oblicz przewidywane warto\u015bci<\/strong><\/span><\/h3>\n
=<\/span> $B$16<\/span> +<\/span> $B$15<\/span> *<\/span> A2\n<\/span><\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/residentgoogle3.jpg\")
<\/p>\n Krok 4: Oblicz reszty<\/strong><\/span><\/h3>\n
=<\/span> B2<\/span> -<\/span> C2<\/span>\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/residentgoogle4.jpg\")
<\/p>\n Krok 5: Utw\u00f3rz wykres rezydualny<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/residentgoogle5.jpg\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/residentgoogle6.jpg\")
<\/p>\n![\"pozosta\u0142a](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/residentgoogle7.jpg\")
<\/p>\n Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak wykona\u0107 regresj\u0119 wielomianow\u0105 w Arkuszach Google<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"