Regression: Unterschied zwischen den Versionen

Aus Matura Wiki
Zur Navigation springen Zur Suche springen
(Der Seiteninhalt wurde durch einen anderen Text ersetzt: „{{Inhalt:Regression}}“)
 
(57 dazwischenliegende Versionen von 3 Benutzern werden nicht angezeigt)
Zeile 1: Zeile 1:
== Einleitung ==
+
{{Inhalt:Regression}}
 
 
Sind zwei [[Merkmal| metrische]] Merkmale gegeben (z.B. Alter und Verdienst), so kann mithilfe der Regression der Zusammenhang dieser Merkmale überprüft und beschrieben werden.
 
 
 
 
 
Hierbei kann man die Merkmale in einer Punktwolke darstellen.
 
Die Regression versucht nun, eine [[Funktionen|Funktion]] "''möglichst gut''" durch diese Punkte zu legen.
 
"Möglichst gut" bedeutet dabei, dass die Summe der Quadrate der y-Abstände zwischen Funktion und Punkten so gering wie möglich sein soll.
 
 
 
 
 
 
 
[[Grün: Arbeitsblätter | <span style="background-color:#00CD00"> $Aha!$ </span>]]  Dieses [http://tube.geogebra.org/m/1525527 Arbeitsblatt] zeigt dir die grundlegende Idee am Beispiel einer linearen Regression (siehe weiter unten).
 
{{Vorlage:Ausklapp|1=Was bei diesem Applet zu tun ist:
 
|2= In der obigen Graphik siehst du 4 Punkte, die durch eine Gerade möglichst gut angenähert werden sollen. <br>
 
1. Hake das Kästchen “Gerade” an. <br>
 
2. Nun kannst du dir die vertikalen Abstände der Punkte zur Geraden und die Abstandsquadrate anzeigen lassen. <br>
 
3. Verschiebe die blauen Punkte auf der Geraden so, dass die Summe der Abstandsquadrate minimal wird. <br>
 
4. Wenn du glaubst, du hast nun die beste Gerade entdeckt, klicke auf das Kästchen bei “Trendlinie”. Die Trendlinie ist das Ergebnis der linearen Regression und gibt jene Gerade an, deren Abstandsquadrate minimal sind.
 
}}
 
 
 
<ggb_applet width="950" height="500" version="5.0" ggbBase64="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" enableRightClick="false" showAlgebraInput="false" enableShiftDragZoom="true" showMenuBar="false" showToolBar="false" showToolBarHelp="true" enableLabelDrags="false" showResetIcon="true" />
 
 
 
Da wir im Unterricht die Regressionsgleichung immer mithilfe des Technologieeinsatzes lösen, überspringen wir die Herleitung der Regressionsgleichungen.
 
 
 
== Regressionsgleichung mithilfe von Technologie berechnen und darstellen ==
 
{| border="1" align="center"
 
! GeoGebra !! Ti-8x
 
|-
 
| {{Vorlage:Video|SvofyI0w0nc}}
 
| '''!! Wichtig beim ersten Mal!!''' Damit bei der Regression auch der [[Regression#Korrelationskoeffizient|Korrelationskoeffizient]] angezeigt wird, muss "Diagnostic" auf "ON" sein. Dies machst du, indem du auf Folgendes klickst:
 
 
 
$[2nd]+[0]$ dann gehe hinunter zu $DiagnosticOn$ und drücke 2 Mal $[Enter]$
 
 
 
Das Video zeigt dir, wie die Regression mit einer [[Lineare Funktionen|linearen Funktion]] funktioniert.
 
 
 
{{#ev:youtube|Mq0qHGrEuDM}}  
 
 
 
 
 
<span style="background-color:yellow"> Achtung </span> Mit dem TI-82 musst du, um die lineare Funktion automatisch zu zeichnen (anders als im Video (siehe [http://youtu.be/Mq0qHGrEuDM?t=1m26s Minute 1:26] )), den Befehl
 
$$LinReg(ax+b)\ L1,\ L2,\ Y1$$
 
eintippen.
 
($L1$ und $L2$ findest du bei $[2nd]+[1]$ bzw. $[2nd]+[2]$ und $Y1$ findest du unter $[VARS]+[\rightarrow ]+[Function]$)
 
 
 
|}
 
== Lineare Regression ==
 
 
 
Bei der linearen Regression werdne die Daten mithilfe einer linearen Funktion ("Gerade") verbunden.
 
 
 
Beispiel
 
 
 
== Korrelationskoeffizient $r$ ==
 
 
 
Durch Berechnung der Regressionsgeraden kann noch keine Aussage über die Stärke des Zusammenhangs zweier Merkmale (X und Y) ausgesagt werden. Dazu benötigt man den
 
 
 
{{Vorlage:Definition|'''Korrelationskoeffizient $r$'''
 
 
 
Der Korrelationskoeffizient $r$ gibt an, wie stark zwei Merkmale $X$ und $Y$ zusammenhängen. Je stärker die Korrelation, desto näher ist $r$ bei $+1$ (bei einem positiven Zusammenhang) oder bei $-1$ (bei einem negativen Zusammenhang.
 
Ist $r$ nahe bei 0, so herrscht keine Korrelation.
 
 
 
skizze mit r
 
}}
 
 
 
[[Grün: Arbeitsblätter | <span style="background-color:#00CD00"> $Aha!$ </span>]]  In [ diesem Arbeitsblatt] lernst du, wie der Korrelation durch die Lage der Punkte veränder wird.
 
{{Vorlage:Ausklapp|1=Wie dieses Applet funktioniert:
 
|2=
 
Der Korrelationskoeffizient r gibt an, wie stark oder schwach der lineare Zusammenhang zwischen den x- und den y-Wert ist.
 
 
 
Verschiebe die grünen Punkte (Datenpunkte), so dass <br>
 
a) ein starker positiver Zusammenhang (d.h. $r\approx 1$),<br>
 
b) ein starker negativer Zusammenhang (d.h.  $r\approx -1$), <br>
 
c) ein schwacher negativer Zusammenhang (d.h.  $0.3\leq r\leq 0$) oder<br>
 
d) kein Zusammenhang (d.h. $r=0$) <br>
 
herrscht.
 
}}
 
 
 
<ggb_applet width="900" height="460" version="5.0" ggbBase64="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" enableRightClick="false" showAlgebraInput="false" enableShiftDragZoom="true" showMenuBar="false" showToolBar="false" showToolBarHelp="true" enableLabelDrags="false" showResetIcon="true" />
 
 
 
== Beispiele ==
 
 
 
 
 
== Korrelation und Kausalität ==
 
 
 
{{Vorlage:Merke|1= Eine starke Korrelation (d.h. $\vert r\vert$ nahe bei 1) bedeutet noch lange nicht, dass es auch einen ursächlichen Zusammenhang zwischen zwei Merkmalen gibt. Oft spielen z.B. noch viel mehr mehr Einflüsse eine Rolle.}}
 
 
 
Beispiele für Korrelation aber (wahrscheinlich) keinen direkte ursächlichen Zusammenhang:
 
* Die größe der Bevölkerung (X) hat Auswirkungen auf die Geschwindigkeit der Plattentektonik (Y).
 
: Je mehr Menschen auf einer Kontinentalplatte leben, desto schneller bewegt sich diese. Beispiele: Indien, Japan.
 
 
 
* Ein Rückgang an Störchen führt zu einer Abnahme an Neugeburten ([https://de.wikipedia.org/wiki/Scheinkorrelation#Beispiel Quelle]).
 
: Tatsächlich spielt hier eine dritte Variable, nämlich die Verstädterung einer Region eine Rolle.
 
 
 
== Beispiele ==
 
 
 
 
 
==Maturaaufgaben==
 
 
 
== Regressionsmodell mithilfe von Technologie bestimmen ==
 
 
 
* siehe [[GeoGebra#Regression mit GeoGebra| Regression mit GeoGebra]] bzw.
 
* siehe [[TI-Befehle#Regression mit dem TI |Regression mit dem TR]]
 
 
 
 
 
== Matura-Aufgaben ==
 
 
 
siehe
 
* Urlaubsreisen
 
* Schotterwerk
 
* Sektkellerei
 

Aktuelle Version vom 30. Januar 2021, 15:13 Uhr