Matematické Fórum

data nemají pocházet z normálního rozdělení. rezidua mají mít normíální rozdělení. a i když ho nemají, tak to není žádná velká tragédie

ahoj ↑ lisakpodsity:,

pochybuju, že z toho někdo pozná, zda to dává smysl nebo ne, když nemá vstupní data. Já osobně vůbec nevím,  jaké máš "vzorce na kvadratickou regresi" a zápis

Call:
lm(formula = (Var1) ~ Var2 + I(Var2^2), data = data2)

je pro mě zajímavým čínským textem...

↑ Eratosthenes: to je výstup z Rka

↑ lisakpodsity: dává smysl ten výstup? ano. dává smysl něco psát do Rka, když netušíš, co vlastně děláš a proč, a nerozumíš pak ani výstupu? neřekl bych

↑ Eratosthenes:
Ano,  tento fakt je pikantní :)  díky za tvoje cenné rady

ahoj ↑ Jozef3:,

no, trochu problém vidím. Podle toho, jak dopadla parabola, mně trochu uniká smysl kvadratické regrese a ke svým "cenným radám" pro ↑ lisakpodsity: bych přidal ještě jednu: kvadratický člen směle škrtni a na kvadratickou regresi zapoměň - lineární docela stačí. Její koeficienty zaokrouhli na tolik platných míst, kolik mají vstupní data (pochybuji, že jich bylo šest...).

↑ lisakpodsity:
Normalita dat není žádným vstupním předpokladem pro lineární regresi. Normalita je v regresní analýze dobrá akorát k tomu, že pak Vám vyjdou přesně p-hodnoty a intervaly spolehlivosti pro regresní parametry. Bez splnění předpokladu normality jsou tyto p-hodnoty a intervaly spolehlivosti pouze asymptoticky správné.

Kvalitu modelu můžete posuzovat podle několika kritérií. Může Vás třeba zajímat, jestli jsou splněny předpoklady homoskedasticity nebo nekorelovanosti reziduí (což už vskutku jsou předpoklady lineární regrese), jestli nejsou v datech odlehlá pozorování atd. Toto posoudíte nejlépe pomocí obrázků (což takhle použít v Rku funkci plotLM z balíčku mffSM?). Nebo Vás může zajímat předpovědní kvalita modelu, kterou posoudíte např. podle koeficientu determinace (to R-squared ve výpisu funkce lm).

P.S: To co zde nazýváte "kvadratickou regresí" je klasická lineární regrese. Jde totiž o to, že regresní funkce je lineární v regresních parametrech, a to, že do modelu dáte regresor v druhé mocnině na tom nic nemění.

↑ lisakpodsity:



Vyšel mi z toho tento graf :-)

↑ Eratosthenes: nevím co je to za graf,  ale qq plot s regresní přímkou vypadá takhle,  to už celkem smysl dává :)

↑ Jozef3:

ano ještě tento graf

↑ Jozef3:

děkuji.  takže jestli to tedy chápu správně, zadání bylo   
4)    Pro data2.txt zjistěte a interpretujte nejdříve korelaci a následně zjistěte regresní vztah s využitím kvadratické regrese. 1. sloupec je závislá proměnná, druhý sloupec je nezávislou proměnnou. Výsledek regrese zapište ve formě regresní rovnice a interpretujte ho. Určete z něj kvalitu modelu

toto je regresní rovnice: y=-2,177 - 0,5845x - 0,00002615x^2
ale nev9m jak bzch to tedz intepretoval..

↑ Jozef3:
Díky a kvalita modelu je dle R-squared poměrně dobrá :-)
Ještě bych potřeboval poradit ve vedlejším vláknu...

↑ Jozef3: Děkuji, ano podle nízkého p value.

tady je k tomu i ten graf. Jenže jak odpovědět na tuto otázku ? Zjistěte, zda existuje rozdíl mezi hodnotami sloupce Z v závislosti na vytvořených skupinách.

Neexistuje tedy rozdíl ?