Statystyka i opracowanie danych W 5:
Odkrywanie i analiza zależności pomiędzy
zmiennymi losowymi (danymi empirycznymi)
Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.pl
Odkrywanie i analiza zależności pomiędzy zmiennymi ilościowymi (liczbowymi)
Przedmiotem kolejnych dwóch wykładów będą zależności dla – Zmiennych jednowymiarowych
• Korelacja liniowa
– Korelacja liniowa
– – test istotności współczynnika korelacji liniowej
• regresja prosta
– Współczynniki regresji, wyznaczanie ich MNK
– Ocena dopasowania modelu Współczynnik determinacji – Standardowy błąd estymacji
– Współczynnik zmienności losowej
– Zmiennych wielowymiarowych
• Macierz korelacji
• Korelacje cząstkowe
• regresja wieloraka
Metody statystyczne stosuje się do badania struktury zbiorowości
i zależności pomiędzy jej cechami
• Metody statystyczne dotyczące analizy struktury zbiorowości opierały się na obserwacjach tylko jednej cechy, a jeśli brano pod uwagę kilka cech, to każdą analizowano oddzielnie.
• W wielu przypadkach, do poznania całokształtu zagadnienia potrzebna jest analiza zbiorowości z punktu widzenia kilku cech, pomiędzy którymi występują pewne zależności
• Odkrywanie postaci i siły zależności występujących pomiędzy cechami zbiorowości są przedmiotem analizy korelacji i regresji.
• Uwzględniając liczbę zmiennych (analizowanych cech zbiorowości) rozróżnia się następujące odmiany zależności
wiele zmiennych wielowymiarowa
jedna zmienna wielowymiarowa
wiele zmiennych jednowymiarowa
jedna zmienna jednowymiarowa
niezależna (objaśniająca) zależna (objaśniana)
Rodzaj zmiennej
Wprowadzenie do analizy zależności pomiędzy danymi statystycznymi
• Celem analizy jest stwierdzenie, czy między badanymi zmiennymi zachodzą jakieś zależności, jaka jest ich:
– siła (współczynnik determinacji , współczynnik korelacji)
– postać ( dopasowanie funkcji reprezentujących zależność - aproksymacja)
– kierunek (monotoniczność)
• Współzależność między zmiennymi może być dwojakiego rodzaju:
– funkcyjna
– stochastyczna (probabilistyczna).
Przykłady związków funkcyjnych
i statystycznych
Rodzaje zależności pomiędzy danymi - zależność funkcyjna
• Istota zależności funkcyjnej polega na tym, że zmiana wartości jednej zmiennej powoduje ściśle określoną zmianę wartości drugiej
zmiennej.
• W przypadku zależności funkcyjnej: y = f (x), każdej wartości zmiennej (X) odpowiada jedna i tylko jedna wartość zmiennej (Y).
• Symbolem X oznaczamy zmienną objaśniającą
(niezależną), natomiast symbolem Y - zmienną
objaśnianą (zależną ).
Rodzaje zależności pomiędzy danymi Zależność korelacyjna
• Zależność stochastyczna występuje wtedy, gdy wraz ze zmianą wartości jednej zmiennej zmienia się rozkład prawdopodobieństwa drugiej zmiennej
• Szczególnym przypadkiem zależności stochastycznej jest zależność korelacyjna (statystyczna).
• Zależność korelacyjna polega na tym, że określonym
wartościom jednej zmiennej odpowiadają ściśle określone średnie wartości drugiej zmiennej.
• Związki typu statystycznego są możliwe do wykrycia oraz ilościowego opisu w przypadku, kiedy mamy do czynienia z wieloma obserwacjami, opisującymi badane obiekty,
zjawiska czy też procesy
Badanie zależności statystycznych pomiędzy danymi empirycznymi
• W badaniach statystycznych zależności pomiędzy
cechami najczęściej sprowadza się do funkcji liniowych.
• Nieliniowe związki pomiędzy zmiennymi mogą być
opisywane przez wielomiany drugiego i wyższych stopni albo przez inne funkcje (wykładnicze, logarytmiczne, trygonometryczne itp.) .
• Przy podejmowaniu decyzji o wyborze funkcji
aproksymacyjnej, opisującej w przybliżeniu związek pomiędzy analizowanymi cechami, pomocne jest
sporządzenie wykresu rozrzutu wartości badanych zmiennych.
• Jeśli okaże się, że pomiędzy zmiennymi widoczna jest
zależność i nie jest ona liniowa, wówczas trzeba znaleźć
odpowiednie rozwiązanie nieliniowe
Przykłady układów punktów przy różnych
wartościach współczynnika korelacji liniowej
Miarą siły i kierunku zależności liniowej jest współczynnik korelacji liniowej
• Statystyką, która opisuje siłę liniowego związku pomiędzy dwiema zmiennymi jest współczynnik korelacji z próby
(
ρ∼r).• Przyjmuje on wartości z przedziału domkniętego <-1; 1>.
• Wartość -1 oznacza występowanie doskonałej korelacji ujemnej (to znaczy sytuację, w której punkty leżą
dokładnie na prostej, skierowanej w dół), a wartość 1 oznacza doskonałą korelację dodatnią (punkty leżą
dokładnie na prostej, skierowanej w górę).
• Wartość 0 oznacza brak korelacji liniowej
) ( ) (
) , cov(
Y D X D
Y
= X
ρ
Wzór do obliczania empirycznego współczynnika korelacji ma postać
gdzie:
• xi oraz yi oznaczają empiryczne wartości zmiennych, odpowiednio, X i Y, natomiast
• x oraz y oznaczają średnie wartości tych zmiennych.
Współczynnik korelacji daje też informację o kierunku zależności, bo jeśli małym wartościom X odpowiadają przeważnie małe
wartości zmiennej Y, a dużym wartościom X duże wartości Y, to licznik wyrażenia dla r będzie dodatni, mianownik jest zawsze dodatni, zatem r>0 oznacza zależność rosnącą, r<0 –malejącą.
Test istotności współczynnika korelacji liniowej (Pearsona)
Badane zmienne (X, Y) mają dwuwymiarowy rozkład normalny, o nieznanym współczynniku korelacji ρ.
Z populacji wylosowano n – elementową próbę i wyliczono r Zweryfikować hipotezę H0: ρ = 0
wobec jednej z hipotez alternatywnych
H1: ρ ≠ 0 lub H1: ρ < 0 albo H1: ρ > 0
Funkcja testowa ma postać:
a gdy n>100 to
zmienna t ma rozkład Studenta z n-2 stopniami swobody;
u ma rozkład normalny. Hipotezę H 0 odrzucamy ilekroć wartość obliczona funkcji testowej znajdzie się w obszarze krytycznym (zdefiniowanym przez hipotezę H1)
2
1
2−
= − n
r
t r n
r u r
1 −
2=
Niejednoznaczność informacji przekazywanej przez współczynnik korelacji - przykład
Zależność pom iędzy liczą bocianow i liczbą urodzin dzie ci
y = 0,182x + 1,3015 R2 = 0,9654
0 2 4 6 8 10 12 14 16 18 20
0 20 40 60 80 100
Liczba bocianow
Liczba urodzonych dzieci
Interpretacja: przez analogię do filmu Seksmisja:
jeśli bociany to miejsce wybrały musi to być „zdrowy” region –
pomyśleli młodzi i postanowili się tu osiedlić
R=0.9825
Regresja prosta (regresja liniowa)
Analiza regresji stanowi w stosunku do analizy korelacji dalszy krok w zakresie ilościowego opisu powiązań zachodzących między zmiennymi.
• Model regresji liniowej prostej przyjmuje postać:
Y = β 0+ β1 x + ε gdzie
β 0 oznacza wyraz wolny, β1 współczynnik kierunkowy, a ε błąd.
• Zazwyczaj nie wszystkie punkty układają się dokładnie na prostej regresji. Źródłem błędu są wpływy innych nie uwzględnionych
w modelu zmiennych, takich jak np. błędy pomiarowe.
• Zakłada się przy tym, że błędy mają średnią wartość równą zero i nieznaną wariancję oraz, że błędy nie są nawzajem skorelowane.
• Współczynniki regresji β 0 β1 można wyznaczyć korzystając z metody najmniejszych kwadratów.
Istota metody najmniejszych kwadratów - MNK
• Wprowadzona przez Legendre'a i Gaussa, jest najczęściej stosowaną w praktyce metodą statystyczną
• Jej istota jest następująca:
– Wynik kolejnego pomiaru yi można przedstawić jako sumę (nieznanej) wielkości mierzonej y oraz błędu pomiarowego εi ,
• Od wielkości oczekujemy, aby suma kwadratów była jak najmniejsza:
( ˆ )
2min
2
= ∑ − =
∑
i
i i
i
i
y y
ε
Dopasowanie modelu matematycznego do danych rzeczywistych
• Zasadniczy cel analizy regresji polega na ocenie nieznanych parametrów modelu regresji. Ocena ta jest dokonywana za pomocą metody najmniejszych kwadratów (MNK).
• MNK sprowadza się do minimalizacji sum kwadratów odchyleń wartości teoretycznych od wartości rzeczywistych (czyli tzw.
reszt modelu).
• Dopasowany model regresji prostej, który daje punktową ocenę średniej wartości y dla określonej wartości x przyjmuje postać:
(r r l)
• gdzie f(x) oznacza teoretyczną wartość zmiennej zależnej,
• b 0 i b1 odpowiednio oceny wyrazu wolnego i współczynnika kierunkowego, uzyskane na podstawie wyników z próby.
x b b
x f
y ˆ = ( ) =
0+
1Metoda Najmniejszych Kwadratów
( )
∑ − + =
−
∂ =
∂
i
i
i
b b x
b y
y 2 (
0 1) 0
0
( ˆ ) ( (
0 1) )
2min
2
= − + →
− ∑
∑
i
i i
i
i
i
y y b b x
y
Wyrażenie
Osiągnie min wtedy i tylko wtedy gdy
( )
∑ − + =
−
∂ =
∂
i
i i
i
y b b x
b x
y 2 (
0 1) 0
1
Współczynniki równania regresji liniowej
2 1
1 1
1 1
1 1
0
) (
) )(
( 1
∑
∑
∑
∑
=
=
=
=
−
−
−
=
−
=
−
=
n
i
i n
i
i i
n
i
i n
i
i
x x
y y
x x
b
x b y
x b
n y
b
Wykres ilustrujący zależność pomiędzy
średnią temperaturą a zużyciem gazu
Interpretacja równania regresji (r r l)
• b0 jest punktem przecięcia prostej regresji z osia wartości y (rzędnych)
• b1 oznacza przyrost wartości prostej przy jednakowym przyroście argumentu
• Łatwo wyliczyć związek współczynnika b1 z wartością współczynnika korelacji próbkowej
x x
x b b x
b b b
− +
+
− +
= +
) 1 (
) (
)) 1 (
( 0 1 0 1
1
x y x
y y
x n
i
i i
x n
i
i i
n
i
i n
i
i i
s r s s
s s
s n
y y
x x
s n
y y
x x
x x
y y
x x
b =
−
−
−
− =
−
−
=
−
−
−
=
∑ ∑
∑
∑
= ==
=
) 1 (
) )(
( )
1 (
) )(
( )
(
) )(
(
1 2
1 2
1 1 1
Interpretacja równania regresji (r r l)
• Prosta regresji przechodzi przez punkt o współrzędnych odpowiadającym średnim wartościom zmiennych X i Y
• Z faktu, że MNK minimalizuje sumę kwadratów różnic ei
• wynika, że
• Stąd wynika, że reszty nie mogą być dowolne, w szczególności nie mogą być jednakowego znaku
y x
b x
b y
x b b
x
y ˆ ( ) =
0+
1= ( −
1) +
1=
i i
i
y y
e = − ˆ
0 )
( (
ˆ )
(
0 11 1
1
= +
−
=
−
= ∑ ∑
∑
=
=
=
x b b
y y
y
e
in
i i
i n
i n
i
i
Analiza modelu regresji liniowej
Model regresji liniowej prostej przyjmuje postać:
Y = E(Y/X=x) = β
0+ β
1x + ε
gdzie:
• E(Y/X=x) oznacza wartość zmiennej Y oczekiwana przy warunku, że zmienna X przyjmie wartość x
• β 0, β1 są współczynnikami regresji liniowej,
• ε –oznacza składnik losowy (błąd).
Założenia modelu liniowego
• Estymatory b0 i b1 współczynników regresji β 0 β1 wyznaczone metodą najmniejszych kwadratów mają pożądane własności (efektywność, nieobciążoność) jeśli spełnione są warunki:
– Model jest liniowy względem parametrów, tzn. ∀ i: yi= β 0+ β1 xi
– Liczba obserwacji n musi większa lub równa liczbie szacowanych parametrów (współczynników regresji) – Składnik losowy ei ma wartość oczekiwaną równą zero
dla wszystkich i=1,..,n , tzn. E(ei) =0
– Wariancja składnika losowego ei (wariancja reszt) jest taka sama dla wszystkich obserwacji War (ei) =2σ dla wszystkich i=1,…,n
– Składniki losowe są nieskorelowane, czyli ei oraz ej są od siebie niezależne ∀ i ≠j i każdy ze składników
losowych ma rozkład normalny
Interpretacja wyników obliczeń dla
regresji liniowej
Weryfikacja modelu
• Najważniejsze etapy weryfikacji modelu to:
– weryfikacja merytoryczna – weryfikacja statystyczna
• W trakcie weryfikacji merytorycznej sprawdzamy zgodność wyników uzyskanych z modelu z wiedzą teoretyczną.
• Jeśli weryfikacja statystyczna wskazuje na
niedopasowanie modelu, zwykle potwierdza się to podczas weryfikacji mertorycznej
Analiza reszt
• Wariancja resztowa będąca oceną wariancji składnika losowego wyraża się wzorem
Pierwiastek z wariancji resztowej, czyli odchylenie standardowe reszt S
e, zwane standardowym błędem estymacji jest najczęściej stosowaną miarą zgodności modelu z danymi empirycznymi.
i i
i
y y
e = − ˆ
2
1 2 2
−
= − ∑
=
m n
e S
n
i
i e
Weryfikacja statystyczna modelu
64385 ,
2 0
1 2
2 ⇒ =
=
∑
−=
e n
i i
e s
n e S
Średnie zużycie paliwa obliczane
z równania regresji różnią się od wartości empirycznych średnio biorąc o 0,64385 l
Obliczone estymatory współczynników regresji odchylają się od parametru b0= 3,830 421 o wartość Sb0= 0,450851, tj.o około 12 %
b1=0,002386 o wartość Sb1= 0,000311, tj. o około 13%
Można zweryfikować dopasowanie modelu na podstawie funkcji testowej t t= bi/Sbi , tb0= 8,495987 tb1= 7,668 242
Najbardziej popularną i miarodajną oceną dopasowania modelu do danych empirycznych jest współczynnik determinacji R2
0,450851 3,830421 0,117703 0,000311 0,002386 0,130344
Współczynnik zmienności losowej
• Wielkość Se2 wskazuje na przeciętną różnicę między zaobserwowanymi wartościami zmiennej objaśnianej i wartościami teoretycznymi obliczonymi z prostej regresji.
• Współczynnik W , obliczany według wzoru
informuje o tym jaką część średniej wartości zmiennej objaśnianej stanowi błąd standardowy estymacji.
• Po wyznaczeniu równania regresji ( modelu) należy sprawdzić hipotezę o istotności otrzymanych współczynników regresji,
• W tym celu przeprowadzamy testy istotności t .
% 9 0902
. 138 0
. 7
64385 .
0 = ≈
=
= y
W S
eInterpretacja współczynnika determinacji R
2∑
∑
∑
= = =+
−
=
−
ni
i i
n
i i
n
i
e y
y y
y
1 2 2
1 2
1
ˆ ) ( )
(
Można pokazać, że
Całkowita suma kwadratów - CSK
Wyjaśniona przez model suma kwadratów - WSK
Resztkowa suma kwadratów RSK
Zmienność niewyjaśniona przez model
yi
CSK
RSK WSK
y=b1x +b0 xi
yˆ
iy
Interpretacja współczynnika determinacji R
2R2=0,7277 oznacza, że 72,77% ogólnej zmienności zmiennej zależnej, zużycia paliwa, jest objaśniona przez równanie regresji,
w którym zmienną objaśniającą jest pojemność silnika.
Uwagi: wspólczynnik determinacji w pewnych okolicznościach może dawać błędne wyjaśnieni zmienności Y, np:
– gdy n=2 wtedy zawsze R2=1
– gdy n jest niewiele większe od 2 lepiej stosować tzw poprawiony R2 poprawione R2, mówi jak dobrze byłoby dopasowane nasze równanie
do innej próby z tej samej populacji, zawsze jest mniejsze od R2 z próby.
– gdy w modelu nie uwzględniliśmy wyrazu wolnego tzn y=b1x – gdy model jest nieliniowy
– gdy zastosowano inną metodę niż MNK CSK WSK y
y
y y
R n
i
i n
i
i =
−
−
=
∑
∑
=
=
1
2 1
2 2
) (
ˆ ) (
Inne wskaźniki dopasowania modelu
• Współczynnik zmiennej zależnej względem zmiennej niezależnej beta
• Wyliczonych wartości współczynników regresji nie można
porównywać ze względu na inne jednostki miary. Normalizujemy równanie regresji i otrzymujemy
• Jeśli β = 0,853 oznacza to, że zmiana zmiennej niezależnej o jedno odchylenie standardowe powoduje zmianę wartości zależnej
zmiennej o 0,853 jej odchylenia standardowego.
• Zaletą tej interpretacji jest niezależność od jednostek miary
• Zauważmy, że β = 0,853070 = r (współczynnikowi korelacji liniowej.
i x
i y
i
e
s
x x
s
y
y − = β − +
Inne wskaźniki dopasowania modelu
• Obliczanie elastyczności Y względem X według wzoru
• Pokazuje o ile procent zmienia się wartość Y gdy wartość X zmieni się o 1%
• 0,002386 * 1385,917/7,138 = 0,463
• oznacza to, że w otoczeniu średnich zmiana pojemności silnika o 1% powoduje zmianę zużycia paliwa o około 0,5%
Y
b
1X
Weryfikacja hipotez
Należy zbadać
• istotność współczynnika kierunkowego; Nieodrzucenie hipotezy o braku wpływu x na y świadczy o wadliwości modelu
• istotność współczynnika determinacji
• istotność liniowego związku pomiędzy analizowanymi zmiennymi
Regresja wieloraka
Regresja wieloraka
W celu wykonania wykresu należy
prawym przyciskiem myszy kliknąć w obrębie zmiennej x -
średnia temperatura dobowa
Wykres rozrzutu z dopasowaną linią regresji
Postać związków – przykłady dla
jednowymiarowej zmiennej objaśnianej (y), gdy jedna jest zmienna objaśniająca (x)
y=2x+1
0 1 2 3 4 5 6
0 0,5 1 1,5 2 2,5
y=1+xcos(x)
-3,00 -2,00 -1,00 0,00 1,00 2,00
0 1 2 3 4
x
y= EXP(x)
0 ,0 0 1 ,0 0 2 ,0 0 3 ,0 0 4 ,0 0 5 ,0 0 6 ,0 0 7 ,0 0 8 ,0 0
0 0,5 1 1 ,5 2 2,5
x
a b
c d
y=log x
-1,50 -1,00 -0,50 0,00 0,50 1,00
0 0,5 1 1,5 2 2,5 3 3,5 4
Linearyzacja funkcji nieliniowych
b x
a y
ab
y =
xlog = log + log
bx a
y ae
y =
bxln = ln +
x b
a y
ax
y =
bln = ln + ln
2 2
1 2
1
2
y a bx cx gdzie x x x x
cx bx
a
y = + + = + + = =
Regresja wielomianowa dla n=2
( − ˆ )
2= ∑ ( −
0−
1−
2 2)
2→ min
∑
i
i i
i i
i
i
y y b b x b x
y
2 2 1
)
0ˆ f ( x b b x b x
y = = + +
Współczynniki b0, b1 i b2 wyznaczymy z układu trzech równań utworzonych z trzech pochodnych obliczonych
względem zmiennych b0 , b1 i b2 i przyrównanych do zera
Regresja wielomianowa
Typowanie postaci zależności-
Statistica/wykresy/ wykresy rozrzutu 2W
Analiza zbioru danych
Odkrywanie i analiza zależności
Odkrywanie i analiza zależności
Interpretacja wykresów powierzchniowych
Macierz korelacji
Korelacje cząstkowe
) 1
)(
1
(
132 23223 13
12 3
.
12