Lineær regression og R²

Matematik A · STX · A-niveau · Statistik og sandsynlighed

🧮 Lineær regression og R²

Lineær regression er et af statistikkens vigtigste værktøjer — det findes overalt fra hverdagsanalyse til avanceret machine learning.

Hvad er lineær regression?

Finde den bedste rette linje $y = a \\cdot x + b$ der passer til datapunkter $(x_i, y_i)$.

Eksempler:

• Sammenhæng mellem træningstimer og karakter
• Sammenhæng mellem temperatur og iskremsalg
• Sammenhæng mellem alder og blodtryk

Mindste kvadraters metode

Udviklet af Carl Friedrich Gauss (1795). Vi vil minimere kvadratet af fejlene:

$$\\min \\sum (y_i - (a x_i + b))^2$$

Formler:

$$a = \\frac{\\sum (x_i - \\bar{x})(y_i - \\bar{y})}{\\sum (x_i - \\bar{x})^2}$$

$$b = \\bar{y} - a \\bar{x}$$

hvor $\\bar{x}, \\bar{y}$ er gennemsnit.

Determinationskoefficient R²

$$R^2 = 1 - \\frac{SSE}{SST}$$

hvor:

• SSE = Sum of Squared Errors = $\\sum (y_i - \\hat{y}_i)^2$
• SST = Total Sum of Squares = $\\sum (y_i - \\bar{y})^2$

R²-fortolkning

| R² | Tolkning |

|---|---|

| 1,0 | Perfekt lineær |

| 0,9-0,99 | Meget stærk |

| 0,7-0,9 | Stærk |

| 0,5-0,7 | Moderat |

| 0,3-0,5 | Svag |

| <0,3 | Meget svag/ikke-lineær |

R² = 0,8 betyder: modellen forklarer 80% af variansen i data.

Korrelationskoefficient r

$$r = \\text{signed} \\sqrt{R^2}$$

• $r > 0$: positiv sammenhæng (a > 0)
• $r < 0$: negativ sammenhæng (a < 0)
• $r = 0$: ingen lineær sammenhæng
• $r \\in [-1, 1]$

Antagelser bag lineær regression

1. Lineær sammenhæng mellem x og y

2. Normalfordelte residualer

3. Homoskedasticitet (konstant varians af fejl)

4. Uafhængige observationer

Hvis disse er brudte, er regressionen muligvis ikke pålidelig.

Korrelation ≠ kausalitet ⚠️

Den klassiske fejl i statistik:

Eksempel: Iskremomsætning korrelerer stærkt med drukneulykker.

• ❌ "Iskremsalg forårsager drukneulykker"
• ✅ Fælles tredje variabel: sommer (varme får både flere til at købe is og bade)

Korrelation viser sammenhæng, ikke årsag.

Begrænsninger

• Outliere kan dominere regressionen — én ekstrem værdi kan ændre linjen helt
• Ikke-lineær sammenhæng giver dårlig fit selv om R² er højt
• Ekstrapolering uden for data-området er farligt
• Skjulte variable kan give vildledende resultater

Robust regression

Når outliere er et problem:

• Huber regression — vægter outliere mindre
• RANSAC — vælger bedste subset af data
• Median-regression — bruger median i stedet for gennemsnit

Multipel regression

Flere uafhængige variable:

$$y = b + a_1 x_1 + a_2 x_2 + ... + a_n x_n$$

Dette er fundamentet for machine learning og avanceret dataanalyse.

Værktøjer

| Værktøj | Bruges til |

|---|---|

| Excel | LINEST, SLOPE, INTERCEPT, RSQ |

| GeoGebra | Fit({punkter}, x) |

| R | lm() |

| Python | scikit-learn, statsmodels |

| Maple/Mathematica | Symbolsk regression |

Vidste du at...

📊 Lineær regression opfandt Francis Galton i 1880-erne — han studerede arvelighed af højde mellem forældre og børn

🤖 Machine learning er på mange måder avanceret lineær regression — neurale netværk er kombinationer af mange små regressioner

⚠️ "Lying with statistics" — fejlagtig brug af lineær regression er en af de mest almindelige måder, statistikker manipuleres på

📚 Carl Friedrich Gauss udviklede mindste kvadraters metode som 18-årig (1795) — først publiceret af Legendre 1805, så Gauss måtte slås for prioriteten

Læringsmål

• Bestemme regressionslinjen y = ax + b ved mindste kvadraters metode
• Beregne og fortolke determinationskoefficienten R²
• Forklare forskellen mellem korrelation og kausalitet med konkrete eksempler
• Vurdere antagelserne bag lineær regression (linearitet, residualer, outliere)
• Anvende CAS/Excel til at finde regressionslinje og R² for et datasæt

Sådan kan du arbejde med emnet

• Indtast et datasæt i CAS og find regressionslinjens forskrift samt R²-værdien
• Forklar hvad det betyder, hvis R² ligger tæt på 1
• Brug en regressionslinje til at lave en forudsigelse og diskutér, hvor sikker den er

Træningsforslag

• Indsaml eller find et datasæt (fx træningstimer vs. karakter) og find regressionslinjen i CAS.
• Beregn R² for et datasæt og forklar, hvor stor en del af variansen modellen forklarer.
• Forklar "is og drukneulykker"-eksemplet: hvorfor er der korrelation uden kausalitet?
• Diskutér: hvornår er det farligt at ekstrapolere en regressionslinje uden for datas område?

Brobygning

Lineær regression er broen til statistisk modellering generelt — den genbruges i Modellering-kategorien og er fundamentet for moderne machine learning.