Was ist ein Bestimmungskoeffizient?
Der Bestimmungskoeffizient ist eine mathematische Berechnung des Quadrats eines Korrelationskoeffizienten. Der Korrelationskoeffizient ist eine Berechnung der Genauigkeit eines Modells. Diese Begriffe werden in der statistischen Analyse verwendet, um relativ logische Berechnungen zu erklären.
In der Statistik wird die Aufgabe eines Analysten die Daten untersucht, die aus einem bestimmten Szenario oder Ereignis gesammelt wurden, und ein mathematisches Modell erstellen, das die Daten erklärt. Um dieses Modell zu erstellen, müssen bestimmte Tatsachen berücksichtigt werden.
besteht die Möglichkeit des Fehlers in jeder Berechnung und Erfassung von Daten. Da dies konsistent ist, muss die Fehlerrate in das Modell aufgenommen werden. Durch die Berücksichtigung dieses Fehlers ist es nicht mehr relevant, festzustellen, ob das vorgeschlagene Modell eine solide Erklärung für die Daten liefert.
Der tatsächliche Berechnung der Bestimmungskoeffizienten ist
R 2 = Summe der quadratischen Fehler
Summe des quadratischen FehlersS + Regressionsumme der Quadrate
Der Bestimmungskoeffizient ist eine Berechnung der Genauigkeit des Modells bei der Erklärung der Daten. Der Wert des Koeffizienten liegt zwischen 0 und 1. Eine perfekte Anpassung des Modells, um die Variation zu erklären, und 0 ist der Wert, wenn das Modell die Variation überhaupt nicht erklärt.
Der Bestimmungskoeffizient berücksichtigt Fehler mit den Daten oder Ausreißern und der Regressionsumme der Quadrate. Dieser Wert hat keine Einheit, da es sich im Wesentlichen um ein Verhältnis handelt und völlig nicht mit der Größe der Probe zu tun hat. Je höher der Wert, der sich 1 nähert, desto besser wird die Variation vom Modell bereitgestellt.
Eine einfache Möglichkeit, dieses Konzept zu visualisierenAR -Event. Legen Sie drei Keksschalen in einem Mittagsraum, Schokolade, Mandel und Erdnuss auf. Beobachten Sie, wie Menschen in den Mittagsraum kommen und aufschreiben, wie viele Kekse sie nehmen, welche Art und in welcher Reihenfolge. Zeichnen Sie diese Daten in einer Grafik.
Erstellen Sie eine Formel um das vorhergesagte Verhalten. Ein Beispiel wäre, vorherzusagen, dass jede Person, die 1 Schokoladenkeks genommen hat, ebenfalls 2 Mandel nahm, aber keine Erdnuss. Eine einfache lineare Gleichung kann basierend auf dieser Annahme geschrieben und grafisch drapiert werden.
Zeichnen Sie die Linie, die die lineare Gleichung dieser Vorhersage darstellt. Vergleichen Sie die Linie mit der tatsächlichen Datenerfassung in Ihrer Beobachtung. Berechnen Sie den Bestimmungskoeffizienten, um ein Maß für die Genauigkeit des vorhergesagten Verhaltens im Vergleich zu den tatsächlichen Daten bereitzustellen.
Der Bestimmungskoeffizient zeigt die Ausbreitung der Daten um die Linie an. Es zeigt, wie gut oder schlecht die Vorhersage im Vergleich zu den tatsächlichen Werten war. Der Bestimmungskoeffizient ermöglicht Benutzern to Wenden Sie eine "Reality -Check" auf die in einem statistischen Modell vorgeschlagenen Daten an. Es gibt zwei Werte, die beobachteten oder die tatsächlichen Werte sowie die modellierten oder vorhergesagten Werte.
Diese Art der statistischen Analyse ist sehr verbreitet und im Geschäft. Viele Geschäftsentscheidungen basieren auf Vorhersagen über zukünftiges Verhalten. Es ist wichtig, die tatsächlichen Ergebnisse zu analysieren und sie mit den Vorhersagen zu vergleichen. Dieser Prozess verbessert das nächste Modell und damit die Genauigkeit der Vorhersagen.