3.4 Regresjon

Å finne linjen i kaoset

I virkeligheten har vi sjelden data som passer perfekt på en funksjon. Måleresultater spriker, og punktene i et diagram danner ikke en pen linje -- de strør seg litt hit og dit. Men ofte kan vi se en trend, en generell retning som dataene følger. Lineær regresjon er metoden for å finne den rette linjen som passer best til et sett med datapunkter.

Tenk deg at du undersøker sammenhengen mellom studietid og eksamenskarakter. Du spør fem venner og får dataene: 2 timer ga karakter 3, 4 timer ga 4, 5 timer ga 4, 7 timer ga 5 og 8 timer ga 6. Punktene ligger ikke perfekt på en linje, men det er en klar trend: jo mer studietid, desto bedre karakter.

Regresjonslinje-metoden (ofte kalt minste kvadraters metode) finner linjen $y = ax + b$ som minimerer den samlede avstanden fra alle punktene til linjen. I praksis bruker vi digitale verktøy som GeoGebra til dette. For studietid-dataene gir GeoGebra oss $y = 0{,}47x + 2{,}2$. Regresjonskoeffisienten 0,47 er stigningstallet, og konstantleddet er 2,2.

Korrelasjon -- hvor sterk er sammenhengen?

Korrelasjonskoeffisienten $r$ er et tall mellom $-1$ og $1$ som forteller hvor godt dataene følger en lineær sammenheng. Hvis $r = 1$, ligger alle punkter perfekt på en stigende linje. Hvis $r = -1$, ligger de perfekt på en synkende linje. Og $r = 0$ betyr at det ikke finnes noen lineær sammenheng.

Som tommelfingerregel: $|r| > 0{,}7$ er sterk korrelasjon, $0{,}4 < |r| < 0{,}7$ er moderat, og $|r| < 0{,}4$ er svak. Fortegnet forteller retningen: positiv betyr at begge variablene øker sammen (som høyde og vekt), negativ betyr at den ene synker når den andre øker (som alder på bil og verdi).

Når vi tolker korrelasjon, er det viktig å tenke over hva slags sammenheng vi forventer. Temperatur og iskremssalg? Positiv korrelasjon. Øvingstimer og feil på prøve? Negativ korrelasjon. Skostørrelse og intelligens? Forhåpentligvis ingen korrelasjon!

Prediksjon og fallgruver

Når vi har en regresjonslinje, kan vi bruke den til å estimere verdier. Interpolasjon (estimering innenfor dataintervallet) er relativt pålitelig. Ekstrapolasjon (utenfor dataintervallet) er mer risikabelt, fordi vi ikke vet om trenden fortsetter.

For å vurdere modellens kvalitet ser vi på korrelasjonskoeffisienten (jo nærmere $|r|$ er 1, desto bedre), sjekker at avvikene er tilfeldige, og bruker sunn fornuft.

Men her kommer den viktigste advarselen: korrelasjon betyr IKKE årsakssammenheng! Det finnes sterk korrelasjon mellom iskremssalg og drukningsulykker. Betyr det at is forårsaker drukning? Selvfølgelig ikke! Begge påvirkes av en tredje faktor -- varmt vær. Flere kjøper is når det er varmt, og flere bader (og risikerer å drukne) når det er varmt. Denne typen feilslutning er en av de vanligste i statistikk.

Temperaturdata fra en vårdag (som stiger og deretter synker) passer dessuten ikke alltid til en rett linje. Da kan en andregradstilpasning (parabel) gi en bedre modell. Å velge riktig modell er en viktig del av dataanalyse.

Oppsummering

Lineær regresjon finner den rette linjen som best beskriver sammenhengen mellom to variabler. Korrelasjonskoeffisienten $r$ (mellom $-1$ og $1$) forteller hvor sterk og i hvilken retning sammenhengen er. Vi bruker regresjonslinjen til prediksjon, men må være forsiktige med ekstrapolasjon. Den viktigste regelen: korrelasjon betyr ikke årsakssammenheng! Vurder alltid om modellen gir mening i konteksten, og velg riktig funksjonstype (lineær, kvadratisk, eksponentiell) basert på dataenes mønster.