Mathematicsالإحصاء وتحليل الانحدارUniversity

خط الانحدار الخطي البسيط

تحدد هذه المعادلة خط أفضل ملاءمة يقلل من مجموع مربعات البواقي بين القيم المرصودة والمتنبأ بها لعلاقة خطية بين متغيرين.

Understand the formulaSee the free derivationOpen the full walkthrough

\overset{y}{^} = b_{0} + b_{1} x where b_{1} = \frac{n \sum x y - ( \sum x ) ( \sum y )}{n \sum x ^{2} - ( \sum x ) ^{2}} and b_{0} = \overset{y}{ˉ} - b_{1} \overset{x}{ˉ}

Open Full Walkthrough Try Calculator

This public page keeps the free explanation visible and leaves premium worked solving, advanced walkthroughs, and saved study tools inside the app.

Core idea

Overview

يتم حساب خط الانحدار باستخدام طريقة المربعات الصغرى العادية (OLS)، التي تسعى إلى تقليل تباين الأخطاء. يمثل الميل، b1، التغير المتوقع في y لكل وحدة تغير في x، بينما يشير التقاطع، b0، إلى القيمة المتنبأ بها لـ y عندما يكون x صفرًا. معًا، تحدد هذه المعلمات الاتجاه الخطي ضمن مجموعة بيانات.

When to use: استخدم هذا عندما تحتاج إلى نمذجة العلاقة بين متغيرين مستمرين والتنبؤ بالنتائج المستقبلية بناءً على الاتجاهات الخطية.

Why it matters: إنها الأداة الأساسية للتحليلات التنبؤية، مما يمكن الباحثين والشركات من التنبؤ بالاتجاهات وتحديد قوة العلاقات بين المتغيرات كميًا.

Symbols

Variables

y^ = Predicted Value, $b_{1}$ = Slope, $b_{0}$ = Y-Intercept, x = Independent Variable, n = Sample Size

Predicted Value

Variable

b_{1}

Slope

Variable

b_{0}

Y-Intercept

Variable

x

Independent Variable

Variable

n

Sample Size

Variable

\overset{y}{^}

\hat{y}

Variable

Walkthrough

Derivation

اشتقاق خط الانحدار الخطي البسيط

يستخدم هذا الاشتقاق طريقة المربعات الصغرى لتقليل مجموع البواقي المربعة بين نقاط البيانات المرصودة ونموذج الانحدار الخطي.

العلاقة بين المتغيرين x و y خطية.
الأخطاء مستقلة ومتطابقة التوزيع ولها متوسط صفري.

تعريف مجموع البواقي المربعة (SSR)

نعرّف دالة الهدف S كمجموع مربعات المسافات العمودية بين كل نقطة بيانات مرصودة $y_{i}$ والقيمة المتوقعة على خط الانحدار.

S (b_{0}, b_{1}) = i = 1 \sum n (y_{i} - (b_{0} + b_{1} x_{i}))^{2}

Note: تقليل البواقي المربعة يضمن عدم إلغاء الانحرافات الموجبة والسالبة لبعضها البعض.

التفاضل الجزئي بالنسبة لـ b_0

لتقليل S، نأخذ المشتقة الجزئية بالنسبة لـ $b_{0}$ ونجعلها تساوي صفرًا، مما يؤدي إلى المعادلة المعيارية للتقاطع.

\frac{\partial S}{\partial b _{0}} = - 2 i = 1 \sum n (y_{i} - b_{0} - b_{1} x_{i}) = 0

Note: تبسيط هذا ينتج عنه المعادلة $b_{0}$ = $\overset{y}{ˉ}$ - $b_{1}$ \bar{x}.

التفاضل الجزئي بالنسبة لـ b_1

نأخذ المشتقة الجزئية بالنسبة لـ $b_{1}$ ونجعلها تساوي صفرًا للعثور على الميل الذي يقلل الخطأ.

\frac{\partial S}{\partial b _{1}} = - 2 i = 1 \sum n x_{i} (y_{i} - b_{0} - b_{1} x_{i}) = 0

Note: عوض عن تعبير $b_{0}$ من الخطوة السابقة في هذه المعادلة لعزل $b_{1}$ .

حل النظام لـ b_1

عن طريق التعويض عن $b_{0} = \overset{y}{ˉ} - b_{1} \overset{x}{ˉ}$ في المعادلة المعيارية الثانية وحلها جبريًا، نشتق صيغة الحساب لمعامل الميل.

b_{1} = \frac{n \sum x _{i} y _{i} - ( \sum x _{i} ) ( \sum y _{i} )}{n \sum x _{i}^{2} - ( \sum x _{i} ) ^{2}}

Note: هذا يعادل $b_{1} = \frac{Cov ( x , y )}{Var ( x )}$ .

Result

b_{1} = \frac{n \sum x _{i} y _{i} - ( \sum x _{i} ) ( \sum y _{i} )}{n \sum x _{i}^{2} - ( \sum x _{i} ) ^{2}}

Source: Montgomery, D. C., Peck, E. A., & Vining, G. G. (2012). Introduction to Linear Regression Analysis.

Why it behaves this way

Intuition

تخيل مخططًا مبعثرًا لنقاط البيانات كغيوم من الجسيمات العائمة. يعمل خط الانحدار كعصا صلبة مرجحة تمر عبر مركز السحابة. تعمل الصيغة كآلية 'جاذبية' تقوم بتدوير وتغيير موضع هذه العصا حتى يكون مجموع المسافات العمودية (المربعة) بين العصا وكل نقطة في السحابة عند الحد الأدنى المطلق.

Term

المتغير التابع المتوقع

الإحداثي "الهدف" على خط أفضل ملاءمة لمدخل معين، يعمل كـ "أفضل تخمين" للنموذج لمكان سقوط نقطة البيانات.

Term

الميل (معامل الانحدار)

"معدل التغيير" أو الحساسية؛ يخبرك بمقدار الزيادة أو النقصان المتوقع في المخرجات لكل زيادة بمقدار وحدة واحدة في المدخل.

Term

التقاطع

قيمة "خط الأساس"؛ القيمة المتوقعة للمخرجات عندما يكون المدخل صفرًا، ترسخ الخط إلى المحور الرأسي.

Term

حجم العينة

وزن الدليل؛ يخبر المعادلة بعدد نقاط البيانات المساهمة في تحديد الاتجاه.

Signs and relationships

b_1: تشير إشارة $b_{1}$ إلى اتجاه العلاقة: الموجبة تعني أن كلا المتغيرين يتحركان في نفس الاتجاه، بينما تشير السالبة إلى علاقة عكسية.
b_0: هذا ثابت إضافي يزيح الخط بأكمله رأسيًا، مما يضمن مرور الخط عبر النقطة المركزية (المتوسط) للبيانات.

One free problem

Practice Problem

بالنظر إلى نقاط البيانات (1, 2)، (2, 3)، و (3, 5)، احسب الميل b1 لخط الانحدار.

Hint: احسب البسط n*sum(xy) - sum(x)*sum(y) والمقام n*sum( $x^{2}$ ) - (sum(x))^2 بشكل منفصل.

The full worked solution stays in the interactive walkthrough.

Where it shows up

Real-World Context

يستخدم الاقتصادي هذه المعادلة لنمذجة العلاقة بين الإنفاق التسويقي وإجمالي إيرادات المبيعات للتنبؤ بحجم الإيرادات التي ستولدها ميزانية معينة.

Study smarter

Tips

أنشئ دائمًا مخطط انتشار أولاً للتأكد من أن العلاقة خطية بالفعل.
تحقق من وجود القيم الشاذة، حيث يمكن أن تؤثر بشكل غير متناسب على ميل خط الانحدار.
احسب معامل الارتباط (r) لتحديد قوة واتجاه العلاقة الخطية كميًا.

Avoid these traps

Common Mistakes

افتراض أن الارتباط القوي يعني السببية.
استقراء خط الانحدار بعيدًا عن نطاق بيانات x المرصودة.

Common questions

Frequently Asked Questions

استخدم هذا عندما تحتاج إلى نمذجة العلاقة بين متغيرين مستمرين والتنبؤ بالنتائج المستقبلية بناءً على الاتجاهات الخطية.

إنها الأداة الأساسية للتحليلات التنبؤية، مما يمكن الباحثين والشركات من التنبؤ بالاتجاهات وتحديد قوة العلاقات بين المتغيرات كميًا.

افتراض أن الارتباط القوي يعني السببية. استقراء خط الانحدار بعيدًا عن نطاق بيانات x المرصودة.

أنشئ دائمًا مخطط انتشار أولاً للتأكد من أن العلاقة خطية بالفعل. تحقق من وجود القيم الشاذة، حيث يمكن أن تؤثر بشكل غير متناسب على ميل خط الانحدار. احسب معامل الارتباط (r) لتحديد قوة واتجاه العلاقة الخطية كميًا.

References

Sources

Montgomery, D. C., Peck, E. A., & Vining, G. G. (2012). Introduction to Linear Regression Analysis.
Freedman, D., Pisani, R., & Purves, R. (2007). Statistics.