class: center, middle, inverse, title-slide # Everything hangs together: Lineare Regression ## 716408 | Sozialwiss. Methoden – How 2 do Things with Numbers ### KMH ### SS 22 (updated: 2022-06-07) --- class: zwischentitel, center, middle # .emolarge[🤔]<br> Wozu Regression? --- # Exkurs: Unterschied Regression & Korrelation * **Korrelation: ** Stärke eines monotonen Zusammenhangs + Korrelation kann von einem 3. (nicht berücksichtigten) Faktor ausgehen 🡒 Scheinkorrelation - BSP: Korrelation zwischen Geburtenrate und Storchenpopulation in einem Bezugsraum + Prognose i.e.S. nicht möglich * **Regression: **Beschreibung einer Ursache-Wirkungs-Beziehung + Formalisierung eines Zusammenhangs als (z.B. lineare) Gleichung 🡒 Wie genau wirkt ein Faktor auf einen anderen? + Möglichkeit zur **Prognose** --- # Lineare Regression im Detail * **Abhängige Variable **(„Regressand“): zu erklärende Variable * **Unabhängige Variable **(„Regressor“): erklärende Variable(n) * Ursache-Wirkungs-Beziehung als lineare Gleichung darstellen: `$$f_{x}=\alpha_{0}+\alpha_{1}x$$` .pull-left[ * Parameterschätzung über Methode der kleinsten Fehlerquadrate .font80[ `$$\min_{\alpha_{0}, \alpha_{1}}\sum_{i=1}r_i^2$$` `$$r_1=\alpha_0+\alpha_1x_1-y_1\\ ...\\ r_n=\alpha_0+\alpha_1x_n-y_n\\$$` ] ] .pull-right[ <div class="container300"><img src="images/eh9-3_regression/eh9-3_regression_v1_S5_10.png" width="396" /></div> ] --- # Lineare Regression im Detail <!-- .pull-left[ --> `$$f_{x}=\alpha_{0}+\alpha_{1}x$$` `$$\alpha_1=\frac{ {\sum_{i=1}^n}(x_i-\overline{x})(y_i-\overline{y}) } {\sum_{i=1}^n(x_i-\overline{x})^{2}}$$` `$$\alpha_0=\overline{y}-\alpha_1\overline{x}$$` <div class="container300"><img src="images/eh9-3_regression/eh9-3_regression_v1_S4_7.png" width="709" /></div> .quelle[(Eigene Erstellung 2018, CC BY)] --- # @ Güte einer gefunden Regressionslösung * **Bestimmtheitsmaß R²:** + Durch Regression erklärte Varianz der abhängigen Variable + Wertbereich: 0 bis 1 (= vollständige Varianzerklärung) .pull-left[ `$${SS_{\text{res}}=\sum _{i}(y_{i}-f_{i})^{2}}$$` `$${\displaystyle SS_{\text{tot}}=\sum _{i}(y_{i}-{\bar {y}})^{2}}$$` `$${\displaystyle R^{2}=1-{SS_{\rm {res}} \over SS_{\rm {tot}}}}$$` ] .pull-right[ <div class="container350"><img src="images/eh9-3_regression/eh9-3_regression_v1_S6_1.png" width="800" /></div> .quelle[(Orzetto, Wikimedia, CC BY-SA)] ]