Tilbake
2.4
Korrelasjon og regresjon

2.4 Korrelasjon og regresjon

Alle fag for VG3

Pearsons r, lineær regresjon, R² og prediksjon.

30 min
5 oppgaver
KorrelasjonRegresjonR²Prediksjon
Du leser den tradisjonelle versjonen
Din fremgang i kapitlet
0 / 5 oppgaver

Korrelasjon og regresjon

Medan t-testar og kjikvadratstestar samanliknar grupper, handlar korrelasjon og regresjon om å undersøkje samanhengen mellom to kvantitative variablar. Er det ein samanheng mellom studietid og eksamensresultat? Mellom temperatur og energiforbruk? Mellom alder og reaksjonstid?

Læringsmål:
- Rekne ut og tolke Pearsons korrelasjonskoeffisient rr
- Forstå skilnaden mellom korrelasjon og kausalitet
- Utføre enkel lineær regresjon og tolke regresjonslikninga
- Forklare og tolke forklaringsgraden R2R^2
- Bruke regresjonsmodellen til prediksjon og forstå avgrensingane

Pearsons korrelasjonskoeffisient rr

Pearsons korrelasjonskoeffisient rr er eit mål på styrken og retninga av den lineære samanhengen mellom to kvantitative variablar.

Verdien av rr ligg alltid mellom −1-1 og +1+1:
- r=+1r = +1: Perfekt positiv lineær samanheng (begge variablane aukar saman)
- r=0r = 0: Ingen lineær samanheng
- r=−1r = -1: Perfekt negativ lineær samanheng (den eine aukar medan den andre søkk)

Tolking av styrke

∣r∣|r|Styrke
0,00 – 0,19Svak eller ingen
0,20 – 0,39Svak
0,40 – 0,59Moderat
0,60 – 0,79Sterk
0,80 – 1,00Svært sterk

Berekning


Pearsons rr vert rekna ut med formelen:
r=∑i=1n(xi−xˉ)(yi−yˉ)∑i=1n(xi−xˉ)2⋅∑i=1n(yi−yˉ)2r = \frac{\sum_{i=1}^{n}(x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum_{i=1}^{n}(x_i - \bar{x})^2 \cdot \sum_{i=1}^{n}(y_i - \bar{y})^2}}
Formelen måler i kva grad xx og yy varierer saman (teljar) i forhold til kor mykje dei varierer kvar for seg (nemnar).
Pearsons korrelasjonskoeffisient
Pearsons korrelasjonskoeffisient rr måler graden av lineær samanheng mellom to kvantitative variablar XX og YY.

r=∑(xi−xˉ)(yi−yˉ)∑(xi−xˉ)2⋅∑(yi−yˉ)2r = \frac{\sum(x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum(x_i - \bar{x})^2 \cdot \sum(y_i - \bar{y})^2}}

Eigenskapar:
- −1≤r≤1-1 \leq r \leq 1
- r>0r > 0: positiv samanheng (begge aukar)
- r<0r < 0: negativ samanheng (ein aukar, den andre søkk)
- rr måler berre lineær samanheng — ein sterk kurvilineær samanheng kan gje r≈0r \approx 0
- rr er einingsfri — han vert ikkje påverka av måleskala

✏️Døme: Rekne ut og tolke Pearsons r

Fem elevar har følgjande studietid (timar/veke) og eksamenspoeng:

ElevStudietid xxPoeng yy
1550
21065
31572
42080
52588

Rekn ut rr og tolk resultatet.

Steg 1: Rekn ut gjennomsnitt
xˉ=(5+10+15+20+25)/5=15\bar{x} = (5+10+15+20+25)/5 = 15
yˉ=(50+65+72+80+88)/5=71\bar{y} = (50+65+72+80+88)/5 = 71

Steg 2: Rekn ut avviksprodukt og kvadrat

Elevxi−xˉx_i - \bar{x}yi−yˉy_i - \bar{y}(xi−xˉ)(yi−yˉ)(x_i-\bar{x})(y_i-\bar{y})(xi−xˉ)2(x_i-\bar{x})^2(yi−yˉ)2(y_i-\bar{y})^2
1−10-10−21-21210210100100441441
2−5-5−6-6303025253636
30011000011
45599454525258181
510101717170170100100289289
Sum455250848

Steg 3: Rekn ut rr
r=455250⋅848=455212000=455460,4≈0,988r = \frac{455}{\sqrt{250 \cdot 848}} = \frac{455}{\sqrt{212000}} = \frac{455}{460{,}4} \approx 0{,}988
Tolking: r=0,99r = 0{,}99 indikerer ein svært sterk positiv lineær samanheng mellom studietid og eksamenspoeng. Elevar som studerer meir, får konsistent høgare poeng. Men hugs: korrelasjon beviser ikkje kausalitet — det kan finnast konfunderande variablar.
📝Oppgave 2.4.1

Ein studie finn r=−0,72r = -0{,}72 mellom talet på timar skjermtid og talet på timar søvn per natt. Kva tyder dette?

Lineær regresjon

Medan korrelasjon berre måler styrken av samanhengen, gjev lineær regresjon oss ein matematisk modell for samanhengen. Han gjev oss ei likning vi kan bruke til å predikere verdien av yy basert på verdien av xx.

Den lineære regresjonsmodellen er:

y^=a+bx\hat{y} = a + bx

der:
- y^\hat{y} er den predikerte verdien av yy
- aa er konstantleddet (skjeringspunkt med yy-aksen) — verdien av y^\hat{y} når x=0x = 0
- bb er stigningstalet (regresjonskoeffisienten) — kor mykje y^\hat{y} endrar seg per eining auke i xx

Minste kvadraters metode

Regresjonslinja vert rekna ut ved å minimere summen av kvadrerte avvik mellom observerte og predikerte verdiar (residualane). Stigningstalet er:

b=∑(xi−xˉ)(yi−yˉ)∑(xi−xˉ)2=r⋅sysxb = \frac{\sum(x_i - \bar{x})(y_i - \bar{y})}{\sum(x_i - \bar{x})^2} = r \cdot \frac{s_y}{s_x}

Konstantleddet er:

a=yˉ−bxˉa = \bar{y} - b\bar{x}

Legg merke til samanhengen: stigningstalet bb er knytt til korrelasjonskoeffisienten rr, men skalert med forholdet mellom standardavvika. Medan rr er einingsfri, har bb einingar (yy-einingar per xx-eining).

Lineær regresjon
Enkel lineær regresjon modellerer samanhengen mellom ein uavhengig variabel xx og ein avhengig variabel yy med ei rett linje:

y^=a+bx\hat{y} = a + bx

Stigningstal: b=∑(xi−xˉ)(yi−yˉ)∑(xi−xˉ)2\displaystyle b = \frac{\sum(x_i - \bar{x})(y_i - \bar{y})}{\sum(x_i - \bar{x})^2}

Konstantledd: a=yˉ−bxˉa = \bar{y} - b\bar{x}

Residual: ei=yi−y^ie_i = y_i - \hat{y}_i (avviket mellom observert og predikert verdi)

Regresjonslinja går alltid gjennom punktet (xˉ,yˉ)(\bar{x}, \bar{y}) og minimerer summen av kvadrerte residualar ∑ei2\sum e_i^2.

✏️Døme: Lineær regresjon

Bruk dataa frå førre døme (studietid og poeng) til å finne regresjonslinja, og prediker poengsummen for ein elev som studerer 18 timar per veke.

Frå førre døme har vi: xˉ=15\bar{x} = 15, yˉ=71\bar{y} = 71, ∑(xi−xˉ)(yi−yˉ)=455\sum(x_i - \bar{x})(y_i - \bar{y}) = 455 og ∑(xi−xˉ)2=250\sum(x_i - \bar{x})^2 = 250.

Steg 1: Rekn ut stigningstalet

b=455250=1,82b = \frac{455}{250} = 1{,}82

For kvar time ekstra studietid per veke aukar predikert poengsum med 1,82 poeng.

Steg 2: Rekn ut konstantleddet

a=71−1,82⋅15=71−27,3=43,7a = 71 - 1{,}82 \cdot 15 = 71 - 27{,}3 = 43{,}7

Steg 3: Regresjonslinja

y^=43,7+1,82x\hat{y} = 43{,}7 + 1{,}82x

Steg 4: Prediksjon for x=18x = 18

y^=43,7+1,82⋅18=43,7+32,76=76,5 poeng\hat{y} = 43{,}7 + 1{,}82 \cdot 18 = 43{,}7 + 32{,}76 = 76{,}5 \text{ poeng}

Ein elev som studerer 18 timar per veke vert predikert å få ca. 76,5 poeng. Men dette er berre ein prediksjon — den faktiske poengsummen vil avvike noko frå dette.

📝Oppgave 2.4.2

Ei regresjonslikning er y^=20+3,5x\hat{y} = 20 + 3{,}5x. Kva er den beste tolkinga av stigningstalet b=3,5b = 3{,}5?

Forklaringsgrad R2R^2 og prediksjon

Determinasjonskoeffisienten R2R^2 angjev kor stor del av variasjonen i yy som vert forklart av den lineære samanhengen med xx. Han vert rekna ut enkelt som:

R2=r2R^2 = r^2

Til dømes: dersom r=0,80r = 0{,}80, er R2=0,64=64%R^2 = 0{,}64 = 64\%. Det tyder at 64 % av variasjonen i yy kan forklarast av variasjonen i xx gjennom den lineære modellen. Dei resterande 36 % skuldast andre faktorar eller tilfeldig variasjon.

Tolking av R2R^2

- R2=0R^2 = 0: Modellen forklarar ingenting — xx gjev ingen informasjon om yy
- R2=1R^2 = 1: Modellen forklarar alt — alle punkt ligg nøyaktig på regresjonslinja
- I praksis: R2>0,70R^2 > 0{,}70 vert ofte rekna som god forklaringsgrad i samfunnsvitskap, medan naturvitskap ofte krev høgare

Avgrensingar ved prediksjon

Ekstrapolering: Å predikere yy for xx-verdiar utanfor det observerte dataområdet er risikabelt. Samanhengen vi observerer innanfor dataområdet treng ikkje gjelde utanfor.

Korrelasjon ≠\neq kausalitet: Ein regresjonsmodell skildrar ein statistisk samanheng. Han seier ikkje at endringar i xx forårsakar endringar i yy. Konfunderande variablar kan forklare heile samanhengen.

Innverknadsrike observasjonar: Enkeltpunkt langt frå dei andre (uteliggjarar) kan ha uforholdsmessig stor innverknad på regresjonslinja. Det er viktig å sjekke for slike punkt.

Determinasjonskoeffisienten R²
Determinasjonskoeffisienten R2R^2 angjev delen av den totale variasjonen i yy som vert forklart av regresjonsmodellen.

R2=r2=1−SSresSStotR^2 = r^2 = 1 - \frac{SS_{\text{res}}}{SS_{\text{tot}}}

der:
- SSres=∑(yi−y^i)2SS_{\text{res}} = \sum(y_i - \hat{y}_i)^2 er residualvariasjonen (uforklart variasjon)
- SStot=∑(yi−yˉ)2SS_{\text{tot}} = \sum(y_i - \bar{y})^2 er totalvariasjonen

R2R^2 ligg alltid mellom 0 og 1 (0 % og 100 %). Ein høg R2R^2 tyder at modellen passar godt til dataa, men garanterer ikkje at modellen er rett eller kausal.

✏️Døme: R² og modellvurdering

For studietid-dømet fann vi r=0,988r = 0{,}988. (a) Rekn ut R2R^2 og tolk verdien. (b) Drøft om vi kan konkludere med at meir studietid forårsakar betre eksamensresultat.

(a) R2=r2=0,9882=0,976=97,6%R^2 = r^2 = 0{,}988^2 = 0{,}976 = 97{,}6\%

Tolking: 97,6 % av variasjonen i eksamenspoeng kan forklarast av variasjonen i studietid gjennom den lineære modellen. Berre 2,4 % skuldast andre faktorar. Dette er ein svært høg forklaringsgrad.

(b) Sjølv med R2=97,6%R^2 = 97{,}6\% kan vi ikkje konkludere med kausalitet basert på korrelasjon/regresjon åleine. Moglege konfunderande variablar:

- Motivasjon: Motiverte elevar studerer meir og gjer det betre på eksamen — men det er motivasjonen som driv begge delar.
- Forkunnskapar: Elevar med gode forkunnskapar treng kanskje mindre studietid for å gjere det bra, men vel likevel å studere mykje fordi dei likar faget.
- Sosioøkonomisk bakgrunn: Kan påverke både studievanar og prestasjonar.

For å påvise kausalitet treng vi eit eksperiment der studietid vert randomisert — noko som er vanskeleg i praksis. Regresjonsmodellen viser ein sterk samanheng, men ikkje ein årsakssamanheng.

📝Oppgave 2.4.3

Ein forskar finn r=0,60r = 0{,}60 mellom talet på treningsøkter per veke og VO2-maks. Kva er R2R^2, og kva tyder det?

Oppsummering

- Pearsons rr måler styrken og retninga av lineær samanheng mellom to kvantitative variablar (−1≤r≤1-1 \leq r \leq 1).
- Lineær regresjon gjev oss modellen y^=a+bx\hat{y} = a + bx der bb er endringa i y^\hat{y} per eining xx og aa er yy-verdien når x=0x = 0.
- R2=r2R^2 = r^2 angjev delen av variasjonen i yy som vert forklart av den lineære samanhengen med xx.
- Stigningstalet vert rekna ut som b=∑(xi−xˉ)(yi−yˉ)∑(xi−xˉ)2\displaystyle b = \frac{\sum(x_i - \bar{x})(y_i - \bar{y})}{\sum(x_i - \bar{x})^2} og konstantleddet som a=yˉ−bxˉa = \bar{y} - b\bar{x}.
- Korrelasjon beviser ikkje kausalitet — konfunderande variablar kan forklare ein observert samanheng.
- Ekstrapolering (prediksjon utanfor dataområdet) er risikabelt og bør unngåast.
- Sjekk alltid for uteliggjarar og vurder om føresetnadene for lineær regresjon er oppfylte.

📝Oppgave 4

Ein forskar samlar inn data om temperatur (xx, i °C) og straumforbruk (yy, i kWh) for 6 vinterdagar:

Temperatur−10-10−5-5005510101515
Straumforbruk484235302218

(a) Rekn ut Pearsons rr og tolk verdien. (b) Finn regresjonslinja y^=a+bx\hat{y} = a + bx. (c) Prediker straumforbruket ved −3-3 °C. (d) Ville det vore fornuftig å bruke modellen til å predikere straumforbruket ved 3535 °C? Grunngjev.

📝Oppgave 5

Ein avisartikkel skriv: «Forsking viser sterk samanheng mellom iskremsal og drukningsulykker (r=0,85r = 0{,}85, R2=0,72R^2 = 0{,}72). Jo meir iskrem som vert seld, desto fleire drunknar.» (a) Tolk rr og R2R^2 med korrekte statistiske omgrep. (b) Forklar kvifor det er feil å konkludere med at iskrem forårsakar drukning. (c) Kva er den sannsynlege konfunderande variabelen? (d) Føreslå eit forskingsdesign som kunne teste kausalitet.

Dette kapitlet er skrevet av Anthropics toppmodeller (Claude Opus og Claude Fable) og er foreløpig ikke manuelt gjennomgått — kvalitetskontrollen gjøres av uavhengige KI-agenter, og innmeldte feil rettes fortløpende. Funnet en feil? Meld fra, så retter vi den. Les mer om hvordan innholdet lages.