42. パラメータの決定
,この式の a, b つまりパラメータを決める方法を考えま
すべてのx= a + bx というモデル
iについて,
します。x と y の間の関係が,y
2
y
気温
(℃)
差の合計が最小になるように
+ bxi となるはずです。しかし,現実には y = yi となっ
23
のうちで,この「全ての (xi , yi ) についての,yi と a + b
%
a,bを決める
21
メータをもっとも適切なパラメータとします。差には正
差
19
% yi – (a + bxi )
17
すなわち
%%
%%
15
13
yi
11
9
a + bxi
n
%
%%
%
% %
% %
% % %
L=
i=1
%
{yi − (a + bxi )}
2
7
なるように a と b を決定します(n はデータの組の数です
A. Asano, Kansai Univ.
%
5
25 27 29 31 33 35 37 39 41 43 45
xi
うな a と b を求める方法は,おもに2つあります。ひとつ
(度)
x 緯度
それらを両方とも 0 とおいた方程式を解くものです。
2013年度秋学期 統計学
43. パラメータの決定
,この式の a, b つまりパラメータを決める方法を考えま
すべてのx= a + bx というモデル
iについて,
します。x と y の間の関係が,y
2
y
気温
(℃)
差の合計が最小になるように
+ bxi となるはずです。しかし,現実には y = yi となっ
23
のうちで,この「全ての (xi , yi ) についての,yi と a + b
%
a,bを決める
21
メータをもっとも適切なパラメータとします。差には正
差
19
% yi – (a + bxi )
17
すなわち
%%
%%
15
13
yi
11
9
a + bxi
n
%
%%
%
% %
% %
% % %
L=
i=1
%
{yi − (a + bxi )}
2
7
が最小になる
なるように a と b を決定します(n はデータの組の数です
A. Asano, Kansai Univ.
%
5
a,bを求める
xi
うな a と b を求める方法は,おもに2つあります。ひとつ
(度)
x 緯度
25 27 29 31 33 35 37 39 41 43 45
それらを両方とも 0 とおいた方程式を解くものです。
2013年度秋学期 統計学
44. なパラメータとします。差には正負がありますから,実
「偏微分」による方法
n
L=
i=1
{yi − (a + bxi )}
2
が最小になる
a,bを求める
定します(n はデータの組の数です)
。
法は,おもに2つあります。ひとつは,(1) 式を a と b で
おいた方程式を解くものです。
A. Asano, Kansai Univ.
る」とは,次のような意味です。微分とは,関数のグラフ
。そこで,(1) 式の L を a, b の2つの変数の関数と考える
2 , 2 の係数がいずれも正ですから,そのグラフは
数で,a b
2013年度秋学期 統計学
45. なパラメータとします。差には正負がありますから,実
「偏微分」による方法
n
L=
i=1
{yi − (a + bxi )}
2
が最小になる
a,bを求める
定します(n はデータの組の数です)
。
a,bの2次関数
法は,おもに2つあります。ひとつは,(1) 式を a と b で
おいた方程式を解くものです。
A. Asano, Kansai Univ.
る」とは,次のような意味です。微分とは,関数のグラフ
。そこで,(1) 式の L を a, b の2つの変数の関数と考える
2 , 2 の係数がいずれも正ですから,そのグラフは
数で,a b
2013年度秋学期 統計学
46. なパラメータとします。差には正負がありますから,実
「偏微分」による方法
n
L=
i=1
{yi − (a + bxi )}
2
が最小になる
a,bを求める
定します(n はデータの組の数です)
。
a,bの2次関数
L
法は,おもに2つあります。ひとつは,(1) 式を a と b で
おいた方程式を解くものです。
L
る」とは,次のような意味です。微分とは,関数のグラフ
b
。そこで,(1) 式の L を a, b の2つの変数の関数と考える
2 , 2 の係数がいずれも正ですから,そのグラフは
数で,a b
★
A. Asano, Kansai Univ.
b
a
a
2013年度秋学期 統計学
47. なパラメータとします。差には正負がありますから,実
「偏微分」による方法
n
L=
i=1
{yi − (a + bxi )}
2
が最小になる
a,bを求める
定します(n はデータの組の数です)
。
a,bの2次関数
L
法は,おもに2つあります。ひとつは,(1) 式を a と b で
aだけの関数
おいた方程式を解くものです。 と考えて微分
L
る」とは,次のような意味です。微分とは,関数のグラフ
b
。そこで,(1) 式の L を a, b の2つの変数の関数と考える
2 , 2 の係数がいずれも正ですから,そのグラフは
数で,a b
★
A. Asano, Kansai Univ.
b
a
a
2013年度秋学期 統計学
48. なパラメータとします。差には正負がありますから,実
「偏微分」による方法
n
L=
i=1
{yi − (a + bxi )}
2
が最小になる
a,bを求める
定します(n はデータの組の数です)
。
a,bの2次関数
L
法は,おもに2つあります。ひとつは,(1) 式を a と b で
aだけの関数
おいた方程式を解くものです。 と考えて微分
L
る」とは,次のような意味です。微分とは,関数のグラフ
b
。そこで,(1) 式の L を a, b の2つの変数の関数と考える
2 , 2 の係数がいずれも正ですから,そのグラフは
数で,a b
★
A. Asano, Kansai Univ.
b
a
a
2013年度秋学期 統計学
49. なパラメータとします。差には正負がありますから,実
「偏微分」による方法
n
L=
i=1
{yi − (a + bxi )}
2
が最小になる
a,bを求める
定します(n はデータの組の数です)
。
a,bの2次関数
L
法は,おもに2つあります。ひとつは,(1) 式を a と b で
aだけの関数
おいた方程式を解くものです。 と考えて微分
L
る」とは,次のような意味です。微分とは,関数のグラフ
b
。そこで,(1) 式の L を a, b の2つの変数の関数と考える
bだけの関数
2 , 2 の係数がいずれも正ですから,そのグラフは
数で,a b
★
と考えて微分
A. Asano, Kansai Univ.
b
a
a
2013年度秋学期 統計学
50. なパラメータとします。差には正負がありますから,実
「偏微分」による方法
n
L=
i=1
{yi − (a + bxi )}
2
が最小になる
a,bを求める
定します(n はデータの組の数です)
。
a,bの2次関数
L
法は,おもに2つあります。ひとつは,(1) 式を a と b で
aだけの関数
おいた方程式を解くものです。 と考えて微分
L
る」とは,次のような意味です。微分とは,関数のグラフ
b
。そこで,(1) 式の L を a, b の2つの変数の関数と考える
bだけの関数
2 , 2 の係数がいずれも正ですから,そのグラフは
数で,a b
★
と考えて微分
A. Asano, Kansai Univ.
b
a
a
2013年度秋学期 統計学
65. 最小二乗法
σxy
b= 2
σx
a = y − b¯
¯
x
y
は x, y の共分散です。x, y は,前回も出て
¯ ¯
A. Asano, Kansai Univ.
うにして得られる1次式 y = a + bx を y の x
は回帰直線の傾きで,これを回帰係数といい
2013年度秋学期 統計学
66. i
i
i
i
ラメータをもっとも適切なパラメータとします。差には正負があります
,すなわち
最小二乗法
σxy
b= 2
σx
n
L=
i=1
{yi − (a + bxi )}2
になるように a と b を決定します(n はデータの組の数です)
。
ab= y − b¯
¯
x
ような a と を求める方法は,おもに2つあります。ひとつは,(1) 式を
,それらを両方とも 0 とおいた方程式を解くものです。
は x, y の共分散です。x, y は,前回も出て
¯ ¯
y それぞれで偏微分する」とは,次のような意味です。微分とは,関数
b
傾きを求めることです。そこで,(1) 式の L を a, b の2つの変数の関数
2 , 2 の係数がいずれも正ですから,その
ちらについても2次関数で,a b
A. Asano, Kansai Univ.
うにして得られる1次式 y = a + bx を y の x
統計学(2013 年度秋学期) 第7回 (2013. 11. 7)
http://r
は回帰直線の傾きで,これを回帰係数といい
2013年度秋学期 統計学
67. i
i
i
i
ラメータをもっとも適切なパラメータとします。差には正負があります
,すなわち
最小二乗法
σxy
b= 2
σx
n
L=
i=1
{yi − (a + bxi )}2
になるように a と b を決定します(n はデータの組の数です)
。
ab= y − b¯
¯
x
ような a と を求める方法は,おもに2つあります。ひとつは,(1) 式を
,それらを両方とも 0 とおいた方程式を解くものです。
は x, y の共分散です。x, y は,前回も出て
¯ ¯
y それぞれで偏微分する」とは,次のような意味です。微分とは,関数
b
傾きを求めることです。そこで,(1) 式の L を a, b の2つの変数の関数
2 , 2 の係数がいずれも正ですから,その
ちらについても2次関数で,a b
A. Asano, Kansai Univ.
うにして得られる1次式 y = a + bx を y の x
統計学(2013 年度秋学期) 第7回 (2013. 11. 7)
http://r
は回帰直線の傾きで,これを回帰係数といい
2013年度秋学期 統計学
68. i
i
i
i
ラメータをもっとも適切なパラメータとします。差には正負があります
,すなわち
最小二乗法
σxy
b= 2
σx
n
L=
i=1
{yi − (a + bxi )}2
になるように a と b を決定します(n はデータの組の数です)
を最小にしたので。
ab= y − b¯
¯
x
ような a と を求める方法は,おもに2つあります。ひとつは,(1) 式を
[最小二乗法]
,それらを両方とも 0 とおいた方程式を解くものです。
は x, y の共分散です。x, y は,前回も出て
¯ ¯
y それぞれで偏微分する」とは,次のような意味です。微分とは,関数
b
傾きを求めることです。そこで,(1) 式の L を a, b の2つの変数の関数
2 , 2 の係数がいずれも正ですから,その
ちらについても2次関数で,a b
A. Asano, Kansai Univ.
うにして得られる1次式 y = a + bx を y の x
統計学(2013 年度秋学期) 第7回 (2013. 11. 7)
http://r
は回帰直線の傾きで,これを回帰係数といい
2013年度秋学期 統計学
69. i
i
i
i
ラメータをもっとも適切なパラメータとします。差には正負があります
,すなわち
最小二乗法
σxy
b= 2
σx
n
L=
i=1
{yi − (a + bxi )}2
になるように と を決定します(n はデータの組の数です)
です。x,a y bは,前回も出てきたもので
¯ ¯
を最小にしたので。
ab= y − b¯
¯
x
ような a と を求める方法は,おもに2つあります。ひとつは,(1) 式を
[最小二乗法]
,それらを両方とも 0 とおいた方程式を解くものです。
は x, y の共分散です。x, y は,前回も出て
¯ ¯
y それぞれで偏微分する」とは,次のような意味です。微分とは,関数
b
傾きを求めることです。そこで, y の を 上への回帰方
次式 y = a + bx を(1) 式の Lx a, b の2つの変数の関数
ちらについても2次関数で,a , の係数がいずれも正ですから,その
b
,これを回帰係数といいます。なお,
2
2
A. Asano, Kansai Univ.
うにして得られる1次式 y = a + bx を y の x
統計学(2013 年度秋学期) 第7回 (2013. 11. 7)
http://r
は回帰直線の傾きで,これを回帰係数といい
2013年度秋学期 統計学
70. i
i
i
i
ラメータをもっとも適切なパラメータとします。差には正負があります
,すなわち
最小二乗法
σxy
b= 2
σx
n
L=
i=1
{yi − (a + bxi )}2
になるように と を決定します(n はデータの組の数です)
です。x,a y bは,前回も出てきたもので
¯ ¯
を最小にしたので。
ab= y − b¯
¯
x
ような a と を求める方法は,おもに2つあります。ひとつは,(1) 式を
[最小二乗法]
,それらを両方とも 0 とおいた方程式を解くものです。
は x, y の共分散です。x, y は,前回も出て
¯ ¯
y それぞれで偏微分する」とは,次のような意味です。微分とは,関数
b
[回帰方程式]あるいは
傾きを求めることです。そこで, y の を 上への回帰方
次式 y = a + bx を(1) 式の Lx a, b の2つの変数の関数
2 , 2 の係数がいずれも正ですから,その
ちらについても2次関数で,a [回帰直線]
b
,これを回帰係数といいます。なお,
A. Asano, Kansai Univ.
うにして得られる1次式 y = a + bx を y の x
統計学(2013 年度秋学期) 第7回 (2013. 11. 7)
http://r
は回帰直線の傾きで,これを回帰係数といい
2013年度秋学期 統計学
71. i
i
i
i
ラメータをもっとも適切なパラメータとします。差には正負があります
,すなわち
最小二乗法
σxy
b= 2
σx
n
L=
i=1
{yi − (a + bxi )}2
になるように と を決定します(n はデータの組の数です)
です。x,a y bは,前回も出てきたもので
¯ ¯
を最小にしたので。
ab= y − b¯
¯
x
ような a と を求める方法は,おもに2つあります。ひとつは,(1) 式を
[最小二乗法]
,それらを両方とも 0 とおいた方程式を解くものです。
は x, y の共分散です。x, y は,前回も出て
¯ ¯
y それぞれで偏微分する」とは,次のような意味です。微分とは,関数
b
[回帰方程式]あるいは
傾きを求めることです。そこで, y の を 上への回帰方
次式 y = a + bx を(1) 式の Lx a, b の2つの変数の関数
2 , 2 の係数がいずれも正ですから,その
ちらについても2次関数で,a [回帰直線]
b
,これを回帰係数といいます。なお,
A. Asano, Kansai Univ.
うにして得られる1次式 y = a + bx を y の x
統計学(2013 年度秋学期) 第7回 (2013. 11. 7)
http://r
は回帰直線の傾きで,これを回帰係数といい
2013年度秋学期 統計学
72. i
i
i
i
ラメータをもっとも適切なパラメータとします。差には正負があります
,すなわち
最小二乗法
σxy
b= 2
σx
n
L=
i=1
{yi − (a + bxi )}2
になるように と を決定します(n はデータの組の数です)
です。x,a y bは,前回も出てきたもので
¯ ¯
を最小にしたので。
ab= y − b¯
¯
x
ような a と を求める方法は,おもに2つあります。ひとつは,(1) 式を
[最小二乗法]
,それらを両方とも 0 とおいた方程式を解くものです。
は x, y の共分散です。x, y は,前回も出て
¯ ¯
y それぞれで偏微分する」とは,次のような意味です。微分とは,関数
b
[回帰方程式]あるいは
傾きを求めることです。そこで, y の を 上への回帰方
次式 y = a + bx を(1) 式の Lx a, b の2つの変数の関数
2 , 2 の係数がいずれも正ですから,その
ちらについても2次関数で,a [回帰直線]
b
,これを回帰係数といいます。なお,
A. Asano, Kansai Univ.
うにして得られる1次式 y = a + bx を y の x
統計学(2013 年度秋学期) 第7回 (2013. 11. 7)
http://r
は回帰直線の傾きで,これを回帰係数といい
2013年度秋学期 統計学
73. i
i
i
i
ラメータをもっとも適切なパラメータとします。差には正負があります
,すなわち
最小二乗法
σxy
b= 2
σx
n
L=
i=1
{yi − (a + bxi )}2
になるように と を決定します(n はデータの組の数です)
です。x,a y bは,前回も出てきたもので
¯ ¯
を最小にしたので。
ab= y − b¯
¯
x
ような a と を求める方法は,おもに2つあります。ひとつは,(1) 式を
[最小二乗法]
,それらを両方とも 0 とおいた方程式を解くものです。
は x, y の共分散です。x, y は,前回も出て
¯ ¯
y それぞれで偏微分する」とは,次のような意味です。微分とは,関数
b
[回帰方程式]あるいは
傾きを求めることです。そこで, y の を 上への回帰方
次式 y = a + bx を(1) 式の Lx a, b の2つの変数の関数
2 , 2 の係数がいずれも正ですから,その
ちらについても2次関数で,a [回帰直線]
b
,これを回帰係数といいます。なお,
A. Asano, Kansai Univ.
うにして得られる1次式 y = a + bx を y の x
[回帰係数]
統計学(2013 年度秋学期) 第7回 (2013. 11. 7)
http://r
は回帰直線の傾きで,これを回帰係数といい
2013年度秋学期 統計学
74. 散です。x, y は,前回も出てきたもので,それ
¯ ¯
ところで
σ
b=
1次式 y =
温(℃)
xy
2
aσx bx を y
+
のx
より 上への回帰方程式,
で,これを回帰係数といいます。なお,(2) 式
8.0 a = y − b¯
¯
x
A. Asano, Kansai Univ.
y
気温
(℃)
9.6
11.0
23
σxy 11.9 x, y の共分散です。x, y は,前回も出てきたもので,そ
は
¯ ¯
%
x)
¯
(3)
21
12.5
19
12.9
%
17
http://racco.mikeneko.jp/ 2/9 ページ
%%
13.2
うにして得られる1次式 y =%%%%+ bx を y の x 上への回帰方程
a
15
%
%
15.3
% %
13
は回帰直線の傾きで,これを回帰係数といいます。なお,(2
% %
13.1
% % %
11
11.4
%
9
16.0
%
y ¯
7 ¯
14.9− y = b(x − x)
5
16.2
25 27 29 31 33 35 37 39 41 43 45
14.4
3. 11. 7)
緯度 http://racco.mikeneko.jp/ 2/9 ペ
(度)
15.0
2013年度秋学期 統計学
16.3
x
75. 散です。x, y は,前回も出てきたもので,それ
¯ ¯
ると ところで
σxy
b= 2
1次式 y = a + bx を y の x 上への回帰方程式,
σx
¯
より y − y = b(x
温(℃)
で,これを回帰係数といいます。なお,(2) 式
8.0 a = y − b¯
¯
x
− x)
¯
9.6
11.0
23
σxy 11.9 x, y の共分散です。x, y は,前回も出てきたもので,そ
は
¯ ¯
%
x)
¯
(3)
21
12.5
19
12.9
%
17
http://racco.mikeneko.jp/ 2/9 ページ
%%
13.2
うにして得られる1次式 y =%%%%+ bx を y の x 上への回帰方程
a
15
%
%
15.3
% %
13
は回帰直線の傾きで,これを回帰係数といいます。なお,(2
% %
13.1
% % %
11
11.4
%
9
16.0
%
y ¯
7 ¯
14.9− y = b(x − x)
5
16.2
25 27 29 31 33 35 37 39 41 43 45
14.4
3. 11. 7)
緯度 http://racco.mikeneko.jp/ 2/9 ペ
(度)
15.0
2013年度秋学期 統計学
16.3
A. Asano, Kansai Univ.
y
気温
(℃)
学期) 第7回 (2013. 11. 7)
x
76. 散です。x, y は,前回も出てきたもので,それ
¯ ¯
ると ところで
σxy
b= 2
1次式 y = a + bx を y の x 上への回帰方程式,
σx
¯
より y − y = b(x
温(℃)
で,これを回帰係数といいます。なお,(2) 式
8.0 a = y − b¯
¯
x
− x)
¯
9.6
11.0
23
σxy 11.9 x, y の共分散です。x, y は,前回も出てきたもので,そ
は
¯ ¯
%
x)
¯
(3)
21
12.5
19
12.9
%
17
http://racco.mikeneko.jp/ 2/9 ページ
%%
13.2
うにして得られる1次式 y =%%%%+ bx を y の x 上への回帰方程
a
15
%
%
15.3
% %
13
は回帰直線の傾きで,これを回帰係数といいます。なお,(2
% %
13.1
% % %
11
11.4
%
9
16.0
%
y ¯
7 ¯
14.9− y = b(x − x)
5
16.2
25 27 29 31 33 35 37 39 41 43 45
14.4
3. 11. 7)
緯度 http://racco.mikeneko.jp/ 2/9 ペ
(度)
15.0
2013年度秋学期 統計学
16.3
A. Asano, Kansai Univ.
y
気温
(℃)
学期) 第7回 (2013. 11. 7)
x
x
77. 散です。x, y は,前回も出てきたもので,それ
¯ ¯
ると ところで
σxy
b= 2
1次式 y = a + bx を y の x 上への回帰方程式,
σx
¯
より y − y = b(x
温(℃)
で,これを回帰係数といいます。なお,(2) 式
8.0 a = y − b¯
¯
x
− x)
¯
9.6
11.0
23
σxy 11.9 x, y の共分散です。x, y は,前回も出てきたもので,そ
は
¯ ¯
%
x)
¯
(3)
21
12.5
19
12.9
%
17
http://racco.mikeneko.jp/ 2/9 ページ
%%
13.2
うにして得られる1次式 y =%%%%+ bx を y の x 上への回帰方程
a
15
%
%
15.3
% %
13
は回帰直線の傾きで,これを回帰係数といいます。なお,(2
% %
13.1
% % %
11
11.4
%
9
16.0
%
y ¯
7 ¯
14.9− y = b(x − x)
5
16.2
25 27 29 31 33 35 37 39 41 43 45
14.4
3. 11. 7)
緯度 http://racco.mikeneko.jp/ 2/9 ペ
(度)
15.0
2013年度秋学期 統計学
16.3
A. Asano, Kansai Univ.
y
気温
(℃)
学期) 第7回 (2013. 11. 7)
y
x
x
78. 散です。x, y は,前回も出てきたもので,それ
¯ ¯
ると ところで
σxy
b= 2
1次式 y = a + bx を y の x 上への回帰方程式,
σx
¯
より y − y = b(x
温(℃)
で,これを回帰係数といいます。なお,(2) 式
8.0 a = y − b¯
¯
x
− x)
¯
9.6
11.0
23
σxy 11.9 x, y の共分散です。x, y は,前回も出てきたもので,そ
は
¯ ¯
%
x)
¯
(3)
21
12.5
19
12.9
%
17
http://racco.mikeneko.jp/ 2/9 ページ
%%
13.2
うにして得られる1次式 y =%%%%+ bx を y の x 上への回帰方程
a
15
%
%
15.3
% %
13
は回帰直線の傾きで,これを回帰係数といいます。なお,(2
% %
13.1
% % %
11
11.4
%
9
16.0
%
y ¯
7 ¯
14.9− y = b(x − x)
5
16.2
25 27 29 31 33 35 37 39 41 43 45
14.4
3. 11. 7)
緯度 http://racco.mikeneko.jp/ 2/9 ペ
(度)
15.0
2013年度秋学期 統計学
16.3
A. Asano, Kansai Univ.
y
気温
(℃)
学期) 第7回 (2013. 11. 7)
回帰直線は
(x, y)を通る
y
x
x
89. 残差
a,bが求められて,回帰直線が確定
xi に対する,回帰直線によるyの推定値
23
%
応する y の値,すなわち a + bxi を yi = a + bxi と
ˆ
21
と yi の差を残差といい,di で表します。残差とは
ˆ 17
%
%%
%%
%
%%
15
したとき,予測によって表現できなかった部分を表
%
y 13 a + bxi
% %
% %
% % %
11
(前回の講義参照)とすると
yi
気温
(℃)
%
9
A. Asano, Kansai Univ.
=
19
%
7
2
(yi − yi ) = (1 −
ˆ
5
25 27 29 31 33 35 37 39
2
つまり,rxy
xi
緯度
(度)
2
rxy )45
41 43
(yi − y )
¯
2
x
が 1 に近づくほど yi と yi の差は小さ
ˆ
2013年度秋学期 統計学
90. 残差
a,bが求められて,回帰直線が確定
xi に対する,回帰直線によるyの推定値
23
%
応する y の値,すなわち a + bxi を yi = a + bxi と
ˆ
21
と yi の差を残差といい,di で表します。残差とは
ˆ 17
%
%%
%%
%
%%
15
したとき,予測によって表現できなかった部分を表
%
y 13 a + bxi
% %
% %
% % %
11
(前回の講義参照)とすると
yi
気温
(℃)
%
9
A. Asano, Kansai Univ.
=
19
%
7
2
(yi − yi ) = (1 −
ˆ
5
25 27 29 31 33 35 37 39
2
つまり,rxy
xi
緯度
(度)
2
rxy )45
41 43
(yi − y )
¯
2
x
が 1 に近づくほど yi と yi の差は小さ
ˆ
2013年度秋学期 統計学
91. 残差
¯ を通る直線」になります。
「傾きが b で点 (¯, y)
x
a,bが求められて,回帰直線が確定
xi に対する,回帰直線によるyの推定値
23
%
応する y の値,すなわち a + bxi を yi = a + bxi と
ˆ
定係数
21
と yi の差を残差といい,di で表します。残差とは
ˆ 17
%
それでも残っている,
%%
%%
各 xi に対して,回帰直線上で対応する y の値,す
%
%%
15
したとき,予測によって表現できなかった部分を表
%
推定値と実際の差
y 13 a + bxi
% %
% %
のとき,実際のデータにおける yi とiyと表すこと
y の値,すなわち a + bx%i を yi = a + bx ˆi の差を残
ˆ
% %
11
(前回の講義参照)とすると
yi
%
9
の差を残差といい,di で表します。残差とは,回帰方
値を使って,yi の値を yi %
ˆ と予測したとき,予測に
7
2 x と y の相関係数(前回の講義参
2
2
き,予測によって表現できなかった部分を表していま
ついて,rxyi )31 33 35 37 − rxy )45 (yi − y )
=
(y5i25− y を = (1 39 41 43
ˆ
¯
27 29
xi
回の講義参照)とすると
(度)
x 緯度
2
2 が 1 に近づくほど y 2 と y の差は小さ
di = ˆi (yi − yi )
ˆ
つまり,rxy
A. Asano, Kansai Univ.
気温
(℃)
19
2013年度秋学期 統計学
92. 残差
図 2: 偏微分と関数の最小値
¯ を通る直線」になります。
「傾きが b で点 (¯, y)
x
a,bが求められて,回帰直線が確定
xi に対する,回帰直線によるyの推定値
布図上で回帰直線は「傾きが b で点 (¯, y) を通る直線」に
x ¯
応する y の値,すなわち a + bxi を yi = a + bxi と
ˆ
定係数
21
19
と yi の差を残差といい,di で表します。残差とは
ˆ 17
%
それでも残っている,
%%
%%
各 xi に対して,回帰直線上で対応する y の値,す
%
%%
15
したとき,予測によって表現できなかった部分を表
%
推定値と実際の差
y 13 a + bxi
% %
% %
のとき,実際のデータにおける yi とiyと表すこと
y の値,すなわち a + bx%i を yi = a + bx ˆi の差を残
ˆ
% %
11
(前回の講義参照)とすると
yi
%
9
の差を残差といい,di で表します。残差とは,回帰方
値を使って,yi の値を yi %
ˆ と予測したとき,予測に
7
帰直線上で対応する y の値,すなわち a + bxi2を yi = a +
ˆ
[残差]という
2 x と y の相関係数(前回の講義参
2
き,予測によって表現できなかった部分を表していま
ついて,rxyi )31 33 35 37 − rxy )45 (yi − y )
=
(y5i25− y を = (1 39 41 43
ˆ
¯
27 29
タにおける yi と yi の差を残差といい,di で表します。
ˆ
xi
回の講義参照)とすると
(度)
x 緯度
を yi と予測したとき,予測によって表現できなかった
ˆ
2
2 が 1 に近づくほど y 2 と y の差は小さ
di = ˆi (yi − yi )
ˆ
つまり,rxy
%
A. Asano, Kansai Univ.
気温
(℃)
23
2013年度秋学期 統計学
95. 残差と決定係数
,回帰直線上で対応する y の値,すなわち ++ bxi を
a bx と表す
で対応する y の値,すなわち a yi を予測したときの,
ˆ
i
回帰方程式を使って + bxi を yi = a
のデータにおける yi と yi の差を残差といい,di で表し
ˆ
ける yi と yi の差を残差といい,di で表します。残差とは,
ˆ
予測によって表現できなかった部分
ˆ
i の値を yi と予測したとき,予測によって表現できな
予測したとき,予測によって表現できなかった部分を表し
を係数(前回の講義参照)とすると
x と y の相関係数(前回の講義参照)とすると
残差について(付録3)
2
di
=
22
(yi − yi i =
ˆ) =
d
(1
2
2 2
2
− rxy ) yi ) (yi − y− rxy )
(yi − ˆ = (1¯)
(yi
2 が 1 に近づくほど y と y の差は小さくな
2
3)
。つまり,rxy 。つまり,rxy が 1 に近づくほど yi と
ˆi
i
(導出は付録3)
A. Asano, Kansai Univ.
すなわち,最小二乗法で求めたモデルによって,y が x か
となります。すなわち,最小二乗法で求めたモデルに
2 を決定係数とよびます。
このことから,rxy
2 を決定係数とよびます
になります。このことから,r
xy
うに説明できます。(4) 式を少し変形して
味は,次のように説明できます。(4) 式を少し変形して
2013年度秋学期 統計学
96. 残差と決定係数
,回帰直線上で対応する y の値,すなわち ++ bxi を
a bx と表す
で対応する y の値,すなわち a yi を予測したときの,
ˆ
i
回帰方程式を使って + bxi を yi = a
のデータにおける yi と yi の差を残差といい,di で表し
ˆ
ける yi と yi の差を残差といい,di で表します。残差とは,
ˆ
予測によって表現できなかった部分
ˆ
i の値を yi と予測したとき,予測によって表現できな
予測したとき,予測によって表現できなかった部分を表し
を係数(前回の講義参照)とすると
x と y の相関係数(前回の講義参照)とすると
残差について(付録3)
2
di
=
22
(yi − yi i =
ˆ) =
d
(1
2
2 2
2
− rxy ) yi ) (yi − y− rxy )
(yi − ˆ = (1¯)
(yi
残差
2 が 1 に近づくほど y と y の差は小さくな
2
3)
。つまり,rxy 。つまり,rxy が 1 に近づくほど yi と
ˆi
i
(導出は付録3)
A. Asano, Kansai Univ.
すなわち,最小二乗法で求めたモデルによって,y が x か
となります。すなわち,最小二乗法で求めたモデルに
2 を決定係数とよびます。
このことから,rxy
2 を決定係数とよびます
になります。このことから,r
xy
うに説明できます。(4) 式を少し変形して
味は,次のように説明できます。(4) 式を少し変形して
2013年度秋学期 統計学
97. 残差と決定係数
,回帰直線上で対応する y の値,すなわち ++ bxi を
a bx と表す
で対応する y の値,すなわち a yi を予測したときの,
ˆ
i
回帰方程式を使って + bxi を yi = a
のデータにおける yi と yi の差を残差といい,di で表し
ˆ
ける yi と yi の差を残差といい,di で表します。残差とは,
ˆ
予測によって表現できなかった部分
ˆ
i の値を yi と予測したとき,予測によって表現できな
予測したとき,予測によって表現できなかった部分を表し
を係数(前回の講義参照)とすると
x と y の相関係数(前回の講義参照)とすると
残差について(付録3)
2
di
=
22
(yi − yi i =
ˆ) =
d
(1
2
2 2
2
− rxy ) yi ) (yi − y− rxy )
(yi − ˆ = (1¯)
(yi
相関
残差1 に近づくほど y と y の差は小さくな
2 が
2
3)
。つまり,rxy 。つまり,rxy が 1 に近づくほど yi と
ˆi
i
(導出は付録3)
係数
A. Asano, Kansai Univ.
すなわち,最小二乗法で求めたモデルによって,y が x か
となります。すなわち,最小二乗法で求めたモデルに
2 を決定係数とよびます。
このことから,rxy
2 を決定係数とよびます
になります。このことから,r
xy
うに説明できます。(4) 式を少し変形して
味は,次のように説明できます。(4) 式を少し変形して
2013年度秋学期 統計学
98. 残差と決定係数
,回帰直線上で対応する y の値,すなわち ++ bxi を
a bx と表す
で対応する y の値,すなわち a yi を予測したときの,
ˆ
i
回帰方程式を使って + bxi を yi = a
のデータにおける yi と yi の差を残差といい,di で表し
ˆ
ける yi と yi の差を残差といい,di で表します。残差とは,
ˆ
予測によって表現できなかった部分
ˆ
i の値を yi と予測したとき,予測によって表現できな
予測したとき,予測によって表現できなかった部分を表し
を係数(前回の講義参照)とすると
x と y の相関係数(前回の講義参照)とすると
残差について(付録3)
2
di
=
22
(yi − yi i =
ˆ) =
d
(1
2
2 2
2
− rxy ) yi ) (yi − y− rxy )
(yi − ˆ = (1¯)
(yi
相関
残差1 に近づくほど y と y の差は小さくな
2 が
2
3)
。つまり,rxy 。つまり,rxy が 1 に近づくほど yi と
ˆi
i
(導出は付録3)
係数
A. Asano, Kansai Univ.
すなわち,最小二乗法で求めたモデルによって,y が x か
となります。すなわち,最小二乗法で求めたモデルに
2 を決定係数とよびます。
このことから,rxy
2 を決定係数とよびます
になります。このことから,r
xy
うに説明できます。(4) 式を少し変形して
味は,次のように説明できます。(4) 式を少し変形して
2013年度秋学期 統計学
99. 残差と決定係数
,回帰直線上で対応する y の値,すなわち ++ bxi を
a bx と表す
で対応する y の値,すなわち a yi を予測したときの,
ˆ
i
回帰方程式を使って + bxi を yi = a
のデータにおける yi と yi の差を残差といい,di で表し
ˆ
ける yi と yi の差を残差といい,di で表します。残差とは,
ˆ
予測によって表現できなかった部分
ˆ
i の値を yi と予測したとき,予測によって表現できな
予測したとき,予測によって表現できなかった部分を表し
を係数(前回の講義参照)とすると
x と y の相関係数(前回の講義参照)とすると
残差について(付録3)
2
di
=
22
(yi − yi i =
ˆ) =
d
(1
2
2 2
2
− rxy ) yi ) (yi − y− rxy )
(yi − ˆ = (1¯)
(yi
相関 決定
残差
2 が 1 に近づくほど y と y の差は小さくな
2
3)
。つまり,rxy 。つまり,rxy が 1 に近づくほど yi と
i
(導出は付録3)
係数 係数 ˆi
A. Asano, Kansai Univ.
すなわち,最小二乗法で求めたモデルによって,y が x か
となります。すなわち,最小二乗法で求めたモデルに
2 を決定係数とよびます。
このことから,rxy
2 を決定係数とよびます
になります。このことから,r
xy
うに説明できます。(4) 式を少し変形して
味は,次のように説明できます。(4) 式を少し変形して
2013年度秋学期 統計学
100. 残差と決定係数
,回帰直線上で対応する y の値,すなわち ++ bxi を
a bx と表す
で対応する y の値,すなわち a yi を予測したときの,
ˆ
i
回帰方程式を使って + bxi を yi = a
のデータにおける yi と yi の差を残差といい,di で表し
ˆ
ける yi と yi の差を残差といい,di で表します。残差とは,
ˆ
予測によって表現できなかった部分
ˆ
i の値を yi と予測したとき,予測によって表現できな
予測したとき,予測によって表現できなかった部分を表し
を係数(前回の講義参照)とすると
x と y の相関係数(前回の講義参照)とすると
残差について(付録3)
2
di
=
22
(yi − yi i =
ˆ) =
d
(1
2
2 2
2
− rxy ) yi ) (yi − y− rxy )
(yi − ˆ = (1¯)
(yi
相関 決定
残差
2 が 1 に近づくほど y と y の差は小さくな
2
3)
。つまり,rxy 。つまり,rxy が 1 に近づくほど yi と
i
(導出は付録3)
係数 係数 ˆi
A. Asano, Kansai Univ.
すなわち,最小二乗法で求めたモデルによって,y が x か
となります。すなわち,最小二乗法で求めたモデルに
決定係数が1に近づくほど
2 を決定係数とよびます。
このことから,rxy
2 を決定係数とよびます
になります。このことから,r
xy
残差の2乗和が0に近づく
うに説明できます。(4) 式を少し変形して
味は,次のように説明できます。(4) 式を少し変形して
2013年度秋学期 統計学
101. ータにおける yi と yi の差を残差といい,di で表します。残差とは,回帰方程
ˆ
yi と yi の差を残差といい,di で表します。残差とは,回帰方程式と xi
ˆ
の値を yi と予測したとき,予測によって表現できなかった部分を表しています
ˆ
測したとき,予測によって表現できなかった部分を表しています。残差
と y の相関係数(前回の講義参照)とすると
数(前回の講義参照)とすると
2
決定係数の意味
=
(yi − y )2
¯
より
(yi − yi22= (1 − rxy )yi )2(yi − y− rxy )
ˆi =
d)
(yi 2− ˆ = (1¯)2 2
(4)
2
2
2 が 1 に近づくほど y と y の差は小さくなり,r 2
。つまり,rxy が 1 に近づくほど yi と yi の差は小さくなり,rxy = 1 の
ˆ
出は付録3)
。つまり,rxy
ˆi
i
xy
わち,最小二乗法で求めたモデルによって,y が x から完全に正確に
なります。すなわち,最小二乗法で求めたモデルによって,y が x から完全に
2
ことから,rxy を決定係数とよびます。
なります。このことから,r2 を決定係数とよびます。
xy
説明できます。(4) 式を少し変形して
は,次のように説明できます。(4) 式を少し変形して
2
− rxy =
d2
i
2 =
(y1 − y )xy =
r2
i −¯
d2 /n
i
d2 2
i
(yi − y ) /n=
¯
(yi − y )2
¯
d2 /n
i
(yi − y )2 /n
¯
(5)
A. Asano, Kansai Univ.
母は,y 全体の平均からの各 yi のへだたり,すなわち偏差の2乗の平
式の右端の分母は,y 全体の平均からの各 yi のへだたり,すなわち偏差の2
ます。一方,分子は,残差の2乗の平均になっています。残差は「線
分散を表しています。一方,分子は,残差の2乗の平均になっています。残差
たり」ですから,分子は「線形モデルによる予測結果を中心とするば
測結果からの隔たり」ですから,分子は「線形モデルによる予測結果を中心と
3)
。
しています(図 3)
。
ともとの y のばらつき具合に対する,線形モデルからのばらつき具合の
2
2013年度秋学期 統計学
102. ,r が 1 に近づくほど y と y の差は小さく
ˆ
。すなわち,最小二乗法で求めたモデル
決定係数の意味
最小二乗法で求めたモデルによって,y が x
2 を決定係数とよびま
。このことから,rxy2
2 を決定係数とよびます。
2
ら,(yxyyˆi22= (1 − ri xy )yi)2(yi − y−2 rより(yi − y)2
ri − di) = (y 2− ˆ = (1¯) xy )
=
(4)
¯
ータにおける yi と yi の差を残差といい,di で表します。残差とは,回帰方程
ˆ
yi と yixy
ˆ の差を残差といい,di で表します。残差とは,回帰方程式と xi
i
i
の値を yi と予測したとき,予測によって表現できなかった部分を表しています
ˆ
測したとき,予測によって表現できなかった部分を表しています。残差
と y の相関係数(前回の講義参照)とすると
数(前回の講義参照)とすると
ように説明できます。(4) 式を少し変形し
きます。(4) 式を少し変形して
2
2
2 が 1 に近づくほど y と y の差は小さくなり,r 2
。つまり,rxy が 1 に近づくほど yi と yi の差は小さくなり,rxy = 1 の
ˆ
出は付録3)
。つまり,rxy
ˆi
i
xy
わち,最小二乗法で求めたモデルによって,y が x から完全に正確に
なります。すなわち,最小二乗法で求めたモデルによって,y が x から完全に
2
ことから,rxy を決定係数とよびます。
なります。このことから,r2 を決定係数とよびます。
xy
22
は,次のように説明できます。(4) 式を少し変形して
di 2
ddi
/n
i
= 2 1 −2 rxy = d2/n
=
di
i2
2 /n 2
2
− rxy =
=
di 2 (y − yi)2 /n
d
2
(yi(y1 − yry2)= (yi − y) /n=i i −¯y )
− ¯¯
¯2
¯ (y
i − )
xy
2
2 /n
di
2
説明できます。(4) 式を少し変形して
(yi − y )
¯
(yi − y ) /n
¯
(yi − y )
¯
(5)
母は,y 全体の平均からの各 yi のへだたり,すなわち偏差の2乗の平
式の右端の分母は,y 全体の平均からの各 yi のへだたり,すなわち偏差の2
ます。一方,分子は,残差の2乗の平均になっています。残差は「線
i
分散を表しています。一方,分子は,残差の2乗の平均になっています。残差
たり」ですから,分子は「線形モデルによる予測結果を中心とするば
測結果からの隔たり」ですから,分子は「線形モデルによる予測結果を中心と
3)
。
A. Asano, Kansai Univ.
全体の平均からの各 y のへだたり,すなわ
端の分母は,y 全体の平均からの各 yi の
一方,分子は,残差の2乗の平均になってい
しています。一方,分子は,残差の2乗
しています(図 3)
。
ともとの y のばらつき具合に対する,線形モデルからのばらつき具合の
ですから,分子は「線形モデルによる予測結
2
2013年度秋学期 統計学
103. ,r が 1 に近づくほど y と y の差は小さく
ˆ
。すなわち,最小二乗法で求めたモデル
決定係数の意味
最小二乗法で求めたモデルによって,y が x
2 を決定係数とよびま
。このことから,rxy2
2 を決定係数とよびます。
2
ら,(yxyyˆi22= (1 − ri xy )yi)2(yi − y−2 rより(yi − y)2
ri − di) = (y 2− ˆ = (1¯) xy )
=
(4)
¯
ータにおける yi と yi の差を残差といい,di で表します。残差とは,回帰方程
ˆ
yi と yixy
ˆ の差を残差といい,di で表します。残差とは,回帰方程式と xi
i
i
の値を yi と予測したとき,予測によって表現できなかった部分を表しています
ˆ
測したとき,予測によって表現できなかった部分を表しています。残差
と y の相関係数(前回の講義参照)とすると
数(前回の講義参照)とすると
ように説明できます。(4) 式を少し変形し
きます。(4) 式を少し変形して
2
2
2 が 1 に近づくほど y と y の差は小さくなり,r 2
。つまり,rxy が 1 に近づくほど yi と yi の差は小さくなり,rxy = 1 の
ˆ
出は付録3)
。つまり,rxy
ˆi
i
xy
わち,最小二乗法で求めたモデルによって,y が x から完全に正確に
なります。すなわち,最小二乗法で求めたモデルによって,y が x から完全に
2
ことから,rxy を決定係数とよびます。
なります。このことから,r2 を決定係数とよびます。
xy
22
は,次のように説明できます。(4) 式を少し変形して
di 2
ddi
/n
i
= 2 1 −2 rxy = d2/n
=
di
i2
2 /n 2
2
− rxy =
=
di 2 (y − yi)2 /n
d
2
(yi(y1 − yry2)= (yi − y) /n=i i −¯y )
− ¯¯
¯2
¯ (y
i − )
xy
2
2 /n
di
2
説明できます。(4) 式を少し変形して
(yi − y )
¯
(5)
¯
(yi − y ) /n
¯
決定 (yi − y)
母は,y 全体の平均からの各 yi のへだたり,すなわち偏差の2乗の平
係数全体の平均からの各 y のへだたり,すなわち偏差の2
式の右端の分母は,y
全体の平均からの各 y のへだたり,すなわ
端の分母は,y 全体の平均からの各 yi の
一方,分子は,残差の2乗の平均になってい
しています。一方,分子は,残差の2乗
しています(図 3)
。
ともとの y のばらつき具合に対する,線形モデルからのばらつき具合の
ですから,分子は「線形モデルによる予測結
2
A. Asano, Kansai Univ.
i
ます。一方,分子は,残差の2乗の平均になっています。残差は「線
i
分散を表しています。一方,分子は,残差の2乗の平均になっています。残差
たり」ですから,分子は「線形モデルによる予測結果を中心とするば
測結果からの隔たり」ですから,分子は「線形モデルによる予測結果を中心と
3)
。
2013年度秋学期 統計学
104. ,r が 1 に近づくほど y と y の差は小さく
ˆ
。すなわち,最小二乗法で求めたモデル
決定係数の意味
最小二乗法で求めたモデルによって,y が x
2 を決定係数とよびま
。このことから,rxy2
2 を決定係数とよびます。
2
ら,(yxyyˆi22= (1 − ri xy )yi)2(yi − y−2 rより(yi − y)2
ri − di) = (y 2− ˆ = (1¯) xy )
=
(4)
¯
ータにおける yi と yi の差を残差といい,di で表します。残差とは,回帰方程
ˆ
yi と yixy
ˆ の差を残差といい,di で表します。残差とは,回帰方程式と xi
i
i
の値を yi と予測したとき,予測によって表現できなかった部分を表しています
ˆ
測したとき,予測によって表現できなかった部分を表しています。残差
と y の相関係数(前回の講義参照)とすると
数(前回の講義参照)とすると
ように説明できます。(4) 式を少し変形し
きます。(4) 式を少し変形して
2
2
2 が 1 に近づくほど y と y の差は小さくなり,r 2
。つまり,rxy が 1 に近づくほど yi と yi の差は小さくなり,rxy = 1 の
ˆ
出は付録3)
。つまり,rxy
ˆi
i
xy
わち,最小二乗法で求めたモデルによって,y が x から完全に正確に
なります。すなわち,最小二乗法で求めたモデルによって,y が x から完全に
2
ことから,rxy を決定係数とよびます。
なります。このことから,r2 を決定係数とよびます。
xy
22
は,次のように説明できます。(4) 式を少し変形して
di 2
ddi
/n
i
= 2 1 −2 rxy = d2/n
=
di
i2
2 /n 2
2
− rxy =
=
di 2 (y − yi)2 /n
d
2
(yi(y1 − yry2)= (yi − y) /n=i i −¯y )
− ¯¯
¯2
¯ (y
i − )
xy
2
2 /n
di
2
説明できます。(4) 式を少し変形して
(yi − y )
¯
(5)
¯
(yi − y ) /n
¯
決定 (yi − y)
母は,y 全体の平均からの各 yi のへだたり,すなわち偏差の2乗の平
係数全体の平均からの各 y のへだたり,すなわち偏差の2
式の右端の分母は,y
全体の平均からの各 y のへだたり,すなわ
端の分母は,y 全体の平均からの各 yi の
一方,分子は,残差の2乗の平均になってい
しています。一方,分子は,残差の2乗
しています(図 3)
。
ともとの y のばらつき具合に対する,線形モデルからのばらつき具合の
ですから,分子は「線形モデルによる予測結
2
A. Asano, Kansai Univ.
i
ます。一方,分子は,残差の2乗の平均になっています。残差は「線
i
分散を表しています。一方,分子は,残差の2乗の平均になっています。残差
たり」ですから,分子は「線形モデルによる予測結果を中心とするば
測結果からの隔たり」ですから,分子は「線形モデルによる予測結果を中心と
3)
。
2013年度秋学期 統計学
105. ,r が 1 に近づくほど y と y の差は小さく
ˆ
。すなわち,最小二乗法で求めたモデル
決定係数の意味
最小二乗法で求めたモデルによって,y が x
2 を決定係数とよびま
。このことから,rxy2
2 を決定係数とよびます。
2
ら,(yxyyˆi22= (1 − ri xy )yi)2(yi − y−2 rより(yi − y)2
ri − di) = (y 2− ˆ = (1¯) xy )
=
(4)
¯
ータにおける yi と yi の差を残差といい,di で表します。残差とは,回帰方程
ˆ
yi と yixy
ˆ の差を残差といい,di で表します。残差とは,回帰方程式と xi
i
i
の値を yi と予測したとき,予測によって表現できなかった部分を表しています
ˆ
測したとき,予測によって表現できなかった部分を表しています。残差
と y の相関係数(前回の講義参照)とすると
数(前回の講義参照)とすると
ように説明できます。(4) 式を少し変形し
きます。(4) 式を少し変形して
2
2
2 が 1 に近づくほど y と y の差は小さくなり,r 2
。つまり,rxy が 1 に近づくほど yi と yi の差は小さくなり,rxy = 1 の
ˆ
出は付録3)
。つまり,rxy
ˆi
i
xy
わち,最小二乗法で求めたモデルによって,y が x から完全に正確に
なります。すなわち,最小二乗法で求めたモデルによって,y が x から完全に
2
ことから,rxy を決定係数とよびます。
なります。このことから,r2 を決定係数とよびます。
残差の2乗の平均
xy
22
は,次のように説明できます。(4) 式を少し変形して
di 2
ddi
/n
i
= 2 1 −2 rxy = d2/n
=
di
i2
2 /n 2
2
− rxy =
=
di 2 (y − yi)2 /n
d
2
(yi(y1 − yry2)= (yi − y) /n=i i −¯y )
− ¯¯
¯2
¯ (y
i − )
xy
2
2 /n
di
2
説明できます。(4) 式を少し変形して
(yi − y )
¯
(5)
¯
(yi − y ) /n
¯
決定 (yi − y)
母は,y 全体の平均からの各 yi のへだたり,すなわち偏差の2乗の平
係数全体の平均からの各 y のへだたり,すなわち偏差の2
式の右端の分母は,y
全体の平均からの各 y のへだたり,すなわ
端の分母は,y 全体の平均からの各 yi の
一方,分子は,残差の2乗の平均になってい
しています。一方,分子は,残差の2乗
しています(図 3)
。
ともとの y のばらつき具合に対する,線形モデルからのばらつき具合の
ですから,分子は「線形モデルによる予測結
2
A. Asano, Kansai Univ.
i
ます。一方,分子は,残差の2乗の平均になっています。残差は「線
i
分散を表しています。一方,分子は,残差の2乗の平均になっています。残差
たり」ですから,分子は「線形モデルによる予測結果を中心とするば
測結果からの隔たり」ですから,分子は「線形モデルによる予測結果を中心と
3)
。
2013年度秋学期 統計学
106. ,r が 1 に近づくほど y と y の差は小さく
ˆ
。すなわち,最小二乗法で求めたモデル
決定係数の意味
最小二乗法で求めたモデルによって,y が x
2 を決定係数とよびま
。このことから,rxy2
2 を決定係数とよびます。
2
ら,(yxyyˆi22= (1 − ri xy )yi)2(yi − y−2 rより(yi − y)2
ri − di) = (y 2− ˆ = (1¯) xy )
=
(4)
¯
ータにおける yi と yi の差を残差といい,di で表します。残差とは,回帰方程
ˆ
yi と yixy
ˆ の差を残差といい,di で表します。残差とは,回帰方程式と xi
i
i
の値を yi と予測したとき,予測によって表現できなかった部分を表しています
ˆ
測したとき,予測によって表現できなかった部分を表しています。残差
と y の相関係数(前回の講義参照)とすると
数(前回の講義参照)とすると
ように説明できます。(4) 式を少し変形し
きます。(4) 式を少し変形して
2
2
2 が 1 に近づくほど y と y の差は小さくなり,r 2
。つまり,rxy が 1 に近づくほど yi と yi の差は小さくなり,rxy = 1 の
ˆ
出は付録3)
。つまり,rxy
ˆi
i
xy
わち,最小二乗法で求めたモデルによって,y が x から完全に正確に
なります。すなわち,最小二乗法で求めたモデルによって,y が x から完全に
2
ことから,rxy を決定係数とよびます。
なります。このことから,r2 を決定係数とよびます。
残差の2乗の平均
xy
22
は,次のように説明できます。(4) 式を少し変形して
di 2
ddi
/n
i
= 2 1 −2 rxy = d2/n
=
di
i2
2 /n 2
2
− rxy =
=
di 2 (y − yi)2 /n
d
2
(yi(y1 − yry2)= (yi − y) /n=i i −¯y )
− ¯¯
¯2
¯ (y
i − )
xy
2
2 /n
di
2
説明できます。(4) 式を少し変形して
(yi − y )
¯
(5)
¯
(yi − y ) /n
¯
決定 (yi − y)
母は,y 全体の平均からの各 yi のへだたり,すなわち偏差の2乗の平
係数全体の平均からの各 y のへだたり,すなわち偏差の2
式の右端の分母は,y
全体の平均からの各 y のへだたり,すなわ
端の分母は,y 全体の平均からの各 yi の
一方,分子は,残差の2乗の平均になってい
しています。一方,分子は,残差の2乗
しています(図 3)
。
ともとの y のばらつき具合に対する,線形モデルからのばらつき具合の
ですから,分子は「線形モデルによる予測結
2
A. Asano, Kansai Univ.
i
ます。一方,分子は,残差の2乗の平均になっています。残差は「線
i
分散を表しています。一方,分子は,残差の2乗の平均になっています。残差
たり」ですから,分子は「線形モデルによる予測結果を中心とするば
測結果からの隔たり」ですから,分子は「線形モデルによる予測結果を中心と
3)
。
2013年度秋学期 統計学
107. ,r が 1 に近づくほど y と y の差は小さく
ˆ
。すなわち,最小二乗法で求めたモデル
決定係数の意味
最小二乗法で求めたモデルによって,y が x
2 を決定係数とよびま
。このことから,rxy2
2 を決定係数とよびます。
2
ら,(yxyyˆi22= (1 − ri xy )yi)2(yi − y−2 rより(yi − y)2
ri − di) = (y 2− ˆ = (1¯) xy )
=
(4)
¯
ータにおける yi と yi の差を残差といい,di で表します。残差とは,回帰方程
ˆ
yi と yixy
ˆ の差を残差といい,di で表します。残差とは,回帰方程式と xi
i
i
の値を yi と予測したとき,予測によって表現できなかった部分を表しています
ˆ
測したとき,予測によって表現できなかった部分を表しています。残差
と y の相関係数(前回の講義参照)とすると
数(前回の講義参照)とすると
ように説明できます。(4) 式を少し変形し
きます。(4) 式を少し変形して
2
2
2 が 1 に近づくほど y と y の差は小さくなり,r 2
。つまり,rxy が 1 に近づくほど yi と yi の差は小さくなり,rxy = 1 の
ˆ
出は付録3)
。つまり,rxy
ˆi
i
xy
わち,最小二乗法で求めたモデルによって,y が x から完全に正確に
なります。すなわち,最小二乗法で求めたモデルによって,y が x から完全に
2
ことから,rxy を決定係数とよびます。
なります。このことから,r2 を決定係数とよびます。
残差の2乗の平均
xy
22
は,次のように説明できます。(4) 式を少し変形して
di 2
ddi
/n
i
= 2 1 −2 rxy = d2/n
=
di
i2
2 /n 2
2
− rxy =
=
di 2 (y − yi)2 /n
d
2
(yi(y1 − yry2)= (yi − y) /n=i i −¯y )
− ¯¯
¯2
¯ (y
i − )
xy
2
2 /n
di
2
説明できます。(4) 式を少し変形して
(yi − y )
¯
(5)
¯
(yi − y ) /n
¯
決定 (yi − y)
母は,y 全体の平均からの各 yi のへだたり,すなわち偏差の2乗の平
係数全体の平均からの各 y のへだたり,すなわち偏差の2
yの偏差の2乗の平均
式の右端の分母は,y
全体の平均からの各 y のへだたり,すなわ
端の分母は,y 全体の平均からの各 yi の
一方,分子は,残差の2乗の平均になってい
しています。一方,分子は,残差の2乗
しています(図 3)
。
ともとの y のばらつき具合に対する,線形モデルからのばらつき具合の
ですから,分子は「線形モデルによる予測結
2
A. Asano, Kansai Univ.
i
ます。一方,分子は,残差の2乗の平均になっています。残差は「線
i
分散を表しています。一方,分子は,残差の2乗の平均になっています。残差
たり」ですから,分子は「線形モデルによる予測結果を中心とするば
測結果からの隔たり」ですから,分子は「線形モデルによる予測結果を中心と
3)
。
2013年度秋学期 統計学
108. ,r が 1 に近づくほど y と y の差は小さく
ˆ
。すなわち,最小二乗法で求めたモデル
決定係数の意味
最小二乗法で求めたモデルによって,y が x
2 を決定係数とよびま
。このことから,rxy2
2 を決定係数とよびます。
2
ら,(yxyyˆi22= (1 − ri xy )yi)2(yi − y−2 rより(yi − y)2
ri − di) = (y 2− ˆ = (1¯) xy )
=
(4)
¯
ータにおける yi と yi の差を残差といい,di で表します。残差とは,回帰方程
ˆ
yi と yixy
ˆ の差を残差といい,di で表します。残差とは,回帰方程式と xi
i
i
の値を yi と予測したとき,予測によって表現できなかった部分を表しています
ˆ
測したとき,予測によって表現できなかった部分を表しています。残差
と y の相関係数(前回の講義参照)とすると
数(前回の講義参照)とすると
ように説明できます。(4) 式を少し変形し
きます。(4) 式を少し変形して
2
2
2 が 1 に近づくほど y と y の差は小さくなり,r 2
。つまり,rxy が 1 に近づくほど yi と yi の差は小さくなり,rxy = 1 の
ˆ
出は付録3)
。つまり,rxy
ˆi
i
xy
わち,最小二乗法で求めたモデルによって,y が x から完全に正確に
なります。すなわち,最小二乗法で求めたモデルによって,y が x から完全に
2
ことから,rxy を決定係数とよびます。
なります。このことから,r2 を決定係数とよびます。
残差の2乗の平均
xy
22
は,次のように説明できます。(4) 式を少し変形して
di 2
ddi
/n
i
= 2 1 −2 rxy = d2/n
=
di
i2
2 /n 2
2
− rxy =
=
di 2 (y − yi)2 /n
d
2
(yi(y1 − yry2)= (yi − y) /n=i i −¯y )
− ¯¯
¯2
¯ (y
i − )
xy
2
2 /n
di
2
説明できます。(4) 式を少し変形して
(yi − y )
¯
(5)
¯
(yi − y ) /n
¯
決定 (yi − y)
母は,y 全体の平均からの各 yi のへだたり,すなわち偏差の2乗の平
係数全体の平均からの各 y のへだたり,すなわち偏差の2
yの偏差の2乗の平均
式の右端の分母は,y
全体の平均からの各 y のへだたり,すなわ
端の分母は,y 全体の平均からの各 yi の
一方,分子は,残差の2乗の平均になってい
しています。一方,分子は,残差の2乗
しています(図 3)
。
ともとの y のばらつき具合に対する,線形モデルからのばらつき具合の
ですから,分子は「線形モデルによる予測結
2
A. Asano, Kansai Univ.
i
ます。一方,分子は,残差の2乗の平均になっています。残差は「線
i
分散を表しています。一方,分子は,残差の2乗の平均になっています。残差
たり」ですから,分子は「線形モデルによる予測結果を中心とするば
測結果からの隔たり」ですから,分子は「線形モデルによる予測結果を中心と
3)
。
2013年度秋学期 統計学
109. ,r が 1 に近づくほど y と y の差は小さく
ˆ
。すなわち,最小二乗法で求めたモデル
決定係数の意味
最小二乗法で求めたモデルによって,y が x
2 を決定係数とよびま
。このことから,rxy2
2 を決定係数とよびます。
2
ら,(yxyyˆi22= (1 − ri xy )yi)2(yi − y−2 rより(yi − y)2
ri − di) = (y 2− ˆ = (1¯) xy )
=
(4)
¯
ータにおける yi と yi の差を残差といい,di で表します。残差とは,回帰方程
ˆ
yi と yixy
ˆ の差を残差といい,di で表します。残差とは,回帰方程式と xi
i
i
の値を yi と予測したとき,予測によって表現できなかった部分を表しています
ˆ
測したとき,予測によって表現できなかった部分を表しています。残差
と y の相関係数(前回の講義参照)とすると
数(前回の講義参照)とすると
ように説明できます。(4) 式を少し変形し
きます。(4) 式を少し変形して
2
2
2 が 1 に近づくほど y と y の差は小さくなり,r 2
。つまり,rxy が 1 に近づくほど yi と yi の差は小さくなり,rxy = 1 の
ˆ
出は付録3)
。つまり,rxy
ˆi
i
xy
わち,最小二乗法で求めたモデルによって,y が x から完全に正確に
なります。すなわち,最小二乗法で求めたモデルによって,y が x から完全に
2
ことから,rxy を決定係数とよびます。
なります。このことから,r2 を決定係数とよびます。
残差の2乗の平均
xy
22
は,次のように説明できます。(4) 式を少し変形して
di 2
ddi
/n
i
= 2 1 −2 rxy = d2/n
=
di
i2
2 /n 2
2
− rxy =
=
di 2 (y − yi)2 /n
d
2
(yi(y1 − yry2)= (yi − y) /n=i i −¯y )
− ¯¯
¯2
¯ (y
i − )
xy
2
2 /n
di
2
説明できます。(4) 式を少し変形して
(yi − y )
¯
(5)
¯
(yi − y ) /n
¯
決定 (yi − y)
母は,y 全体の平均からの各 yi のへだたり,すなわち偏差の2乗の平
係数全体の平均からの各 y のへだたり,すなわち偏差の2
yの偏差の2乗の平均
式の右端の分母は,y
全体の平均からの各 y のへだたり,すなわ
端の分母は,y 全体の平均からの各 yi の
一方,分子は,残差の2乗の平均になってい
しています。一方,分子は,残差の2乗
しています(図 3)
。
ともとの y のばらつき具合に対する,線形モデルからのばらつき具合の
ですから,分子は「線形モデルによる予測結
2
A. Asano, Kansai Univ.
i
ます。一方,分子は,残差の2乗の平均になっています。残差は「線
i
分散を表しています。一方,分子は,残差の2乗の平均になっています。残差
たり」ですから,分子は「線形モデルによる予測結果を中心とするば
測結果からの隔たり」ですから,分子は「線形モデルによる予測結果を中心と
3)
。
2013年度秋学期 統計学
110. ,r が 1 に近づくほど y と y の差は小さく
ˆ
。すなわち,最小二乗法で求めたモデル
決定係数の意味
最小二乗法で求めたモデルによって,y が x
2 を決定係数とよびま
。このことから,rxy2
2 を決定係数とよびます。
2
ら,(yxyyˆi22= (1 − ri xy )yi)2(yi − y−2 rより(yi − y)2
ri − di) = (y 2− ˆ = (1¯) xy )
=
(4)
¯
ータにおける yi と yi の差を残差といい,di で表します。残差とは,回帰方程
ˆ
yi と yixy
ˆ の差を残差といい,di で表します。残差とは,回帰方程式と xi
i
i
の値を yi と予測したとき,予測によって表現できなかった部分を表しています
ˆ
測したとき,予測によって表現できなかった部分を表しています。残差
と y の相関係数(前回の講義参照)とすると
数(前回の講義参照)とすると
ように説明できます。(4) 式を少し変形し
きます。(4) 式を少し変形して
2
2
2 が 1 に近づくほど y と y の差は小さくなり,r 2
。つまり,rxy が 1 に近づくほど yi と yi の差は小さくなり,rxy = 1 の
ˆ
出は付録3)
。つまり,rxy
ˆi
i
xy
わち,最小二乗法で求めたモデルによって,y が x から完全に正確に
なります。すなわち,最小二乗法で求めたモデルによって,y が x から完全に
2
ことから,rxy を決定係数とよびます。
なります。このことから,r2 を決定係数とよびます。
残差の2乗の平均
xy
22
は,次のように説明できます。(4) 式を少し変形して
di 2
ddi
/n
i
= 2 1 −2 rxy = d2/n
=
di
i2
2 /n 2
2
− rxy =
=
di 2 (y − yi)2 /n
d
2
(yi(y1 − yry2)= (yi − y) /n=i i −¯y )
− ¯¯
¯2
¯ (y
i − )
xy
2
2 /n
di
2
説明できます。(4) 式を少し変形して
(yi − y )
¯
(5)
¯
(yi − y ) /n
¯
決定 (yi − y)
母は,y 全体の平均からの各 yi のへだたり,すなわち偏差の2乗の平
係数全体の平均からの各 y のへだたり,すなわち偏差の2
yの偏差の2乗の平均
式の右端の分母は,y
全体の平均からの各 y のへだたり,すなわ
端の分母は,y 全体の平均からの各 yi の
=yの分散
一方,分子は,残差の2乗の平均になってい
しています。一方,分子は,残差の2乗
しています(図 3)
。
ともとの y のばらつき具合に対する,線形モデルからのばらつき具合の
ですから,分子は「線形モデルによる予測結
2
A. Asano, Kansai Univ.
i
ます。一方,分子は,残差の2乗の平均になっています。残差は「線
i
分散を表しています。一方,分子は,残差の2乗の平均になっています。残差
たり」ですから,分子は「線形モデルによる予測結果を中心とするば
測結果からの隔たり」ですから,分子は「線形モデルによる予測結果を中心と
3)
。
2013年度秋学期 統計学
111. のように説明できます。(4) 式を少し変形して
できます。(4) 式を少し変形して
決定係数の意味
=
d2 2
i
1 − rxy =
2
(yi − y )
¯
2
2 /n
ddi
i
=
− y )2 /n
¯ 2
(yi i − y )
(y
¯
2 /n
残差の2乗の平均
di
(5)
(yi − y )2 /n
¯
yの偏差の2乗の平均
決定
,端の分母は,y 全体の平均からの各 y のへだたり,すな
y 全体の平均からの各 yi のへだたり,すなわち偏差の2乗の平
(yの分散)
係数
i
。一方,分子は,残差の2乗の平均になっています。残差は「線
表しています。一方,分子は,残差の2乗の平均になって
」ですから,分子は「線形モデルによる予測結果を中心とするば
からの隔たり」ですから,分子は「線形モデルによる予測
ます(図 3)
。
A. Asano, Kansai Univ.
の y のばらつき具合に対する,線形モデルからのばらつき具合の
は「もともとの y
。線形単回帰では, のばらつき具合に対する,線形モデルか
「データが散布図上にばらついている」という
とになります。線形単回帰では,
「データが散布図上にばら
ではなく,線形モデルで表される直線に沿ってばらついている」
ルで完全に表されたわけではなく,直線から見てもデータはいく
ついているのではなく,線形モデルで表される直線に沿っ
で完全に説明がついているわけではありません。こう考えると,
し,線形モデルで完全に表されたわけではなく,直線から
2013年度秋学期 統計学
112. のように説明できます。(4) 式を少し変形して
できます。(4) 式を少し変形して
決定係数の意味
=
d2 2
i
1 − rxy =
2
(yi − y )
¯
2
2 /n
ddi
i
=
− y )2 /n
¯ 2
(yi i − y )
(y
¯
2 /n
残差の2乗の平均
di
(5)
(yi − y )2 /n
¯
yの偏差の2乗の平均
決定
,端の分母は,y 全体の平均からの各 y のへだたり,すな
y 全体の平均からの各 yi のへだたり,すなわち偏差の2乗の平
(yの分散)
係数
i
。一方,分子は,残差の2乗の平均になっています。残差は「線
表しています。一方,分子は,残差の2乗の平均になって
」ですから,分子は「線形モデルによる予測結果を中心とするば
y
からの隔たり」ですから,分子は「線形モデルによる予測
y
[決定係
y
i
なら
di = yi – yi
y
i
ます(図 3)i – y
。
y
[分散]
[残差]
A. Asano, Kansai Univ.
[偏差]
の y のばらつき具合に対する,線形モデルからのばらつき具合の
y
y
は「もともとの y のばらつき具合に対する,線形モデルか
。線形単回帰では,
「データが散布図上にばらついている」という
とになります。線形単回帰では,
「データが散布図上にばら
ではなく,線形モデルで表される直線に沿ってばらついている」
ルで完全に表されたわけではなく,直線から見てもデータはいく
ついているのではなく,線形モデルで表される直線に沿っ
x
x
i
で完全に説明がついているわけではありません。こう考えると,
し,線形モデルで完全に表されたわけではなく,直線から
2013年度秋学期 統計学
図 4: 決定係数の意味
113. のように説明できます。(4) 式を少し変形して
できます。(4) 式を少し変形して
決定係数の意味
=
d2 2
i
1 − rxy =
2
(yi − y )
¯
2
2 /n
ddi
i
=
− y )2 /n
¯ 2
(yi i − y )
(y
¯
2 /n
残差の2乗の平均
di
(5)
(yi − y )2 /n
¯
yの偏差の2乗の平均
決定
,端の分母は,y 全体の平均からの各 y のへだたり,すな
y 全体の平均からの各 yi のへだたり,すなわち偏差の2乗の平
(yの分散)
係数
i
。一方,分子は,残差の2乗の平均になっています。残差は「線
表しています。一方,分子は,残差の2乗の平均になって
」ですから,分子は「線形モデルによる予測結果を中心とするば
y
からの隔たり」ですから,分子は「線形モデルによる予測
y
[決定係
y
i
なら
di = yi – yi
y
i
ます(図 3)i – y
。
y
[分散]
[残差]
A. Asano, Kansai Univ.
[偏差]
の y のばらつき具合に対する,線形モデルからのばらつき具合の
y
y
は「もともとの y のばらつき具合に対する,線形モデルか
。線形単回帰では,
「データが散布図上にばらついている」という
とになります。線形単回帰では,
「データが散布図上にばら
ではなく,線形モデルで表される直線に沿ってばらついている」
ルで完全に表されたわけではなく,直線から見てもデータはいく
ついているのではなく,線形モデルで表される直線に沿っ
x
x
i
で完全に説明がついているわけではありません。こう考えると,
し,線形モデルで完全に表されたわけではなく,直線から
2013年度秋学期 統計学
図 4: 決定係数の意味
114. のように説明できます。(4) 式を少し変形して
できます。(4) 式を少し変形して
決定係数の意味
=
d2 2
i
1 − rxy =
2
(yi − y )
¯
2
2 /n
ddi
i
=
− y )2 /n
¯ 2
(yi i − y )
(y
¯
2 /n
残差の2乗の平均
di
(5)
(yi − y )2 /n
¯
yの偏差の2乗の平均
決定
,端の分母は,y 全体の平均からの各 y のへだたり,すな
y 全体の平均からの各 yi のへだたり,すなわち偏差の2乗の平
(yの分散)
係数
i
。一方,分子は,残差の2乗の平均になっています。残差は「線
表しています。一方,分子は,残差の2乗の平均になって
」ですから,分子は「線形モデルによる予測結果を中心とするば
y
からの隔たり」ですから,分子は「線形モデルによる予測
y
[決定係
y
i
なら
di = yi – yi
y
i
ます(図 3)i – y
。
y
[分散]
[残差]
A. Asano, Kansai Univ.
[偏差]
の y のばらつき具合に対する,線形モデルからのばらつき具合の
y
y
は「もともとの y のばらつき具合に対する,線形モデルか
。線形単回帰では,
「データが散布図上にばらついている」という
とになります。線形単回帰では,
「データが散布図上にばら
ではなく,線形モデルで表される直線に沿ってばらついている」
もともと y はこんなに
ルで完全に表されたわけではなく,直線から見てもデータはいく
ついているのではなく,線形モデルで表される直線に沿っ
x
x
i
ばらついていた
で完全に説明がついているわけではありません。こう考えると,
し,線形モデルで完全に表されたわけではなく,直線から
2013年度秋学期 統計学
図 4: 決定係数の意味
115. のように説明できます。(4) 式を少し変形して
できます。(4) 式を少し変形して
決定係数の意味
=
d2 2
i
1 − rxy =
2
(yi − y )
¯
2
2 /n
ddi
i
=
− y )2 /n
¯ 2
(yi i − y )
(y
¯
2 /n
残差の2乗の平均
di
(5)
(yi − y )2 /n
¯
yの偏差の2乗の平均
決定
,端の分母は,y 全体の平均からの各 y のへだたり,すな
y 全体の平均からの各 yi のへだたり,すなわち偏差の2乗の平
(yの分散)
係数
i
。一方,分子は,残差の2乗の平均になっています。残差は「線
表しています。一方,分子は,残差の2乗の平均になって
」ですから,分子は「線形モデルによる予測結果を中心とするば
y
からの隔たり」ですから,分子は「線形モデルによる予測
y
[決定係
y
i
なら
di = yi – yi
y
i
ます(図 3)i – y
。
y
[分散]
[残差]
A. Asano, Kansai Univ.
[偏差]
の y のばらつき具合に対する,線形モデルからのばらつき具合の
y
y
は「もともとの y のばらつき具合に対する,線形モデルか
。線形単回帰では,
「データが散布図上にばらついている」という
とになります。線形単回帰では,
「データが散布図上にばら
ではなく,線形モデルで表される直線に沿ってばらついている」
もともと y はこんなに
ルで完全に表されたわけではなく,直線から見てもデータはいく
ついているのではなく,線形モデルで表される直線に沿っ
x
x
i
ばらついていた
で完全に説明がついているわけではありません。こう考えると,
し,線形モデルで完全に表されたわけではなく,直線から
2013年度秋学期 統計学
図 4: 決定係数の意味
116. のように説明できます。(4) 式を少し変形して
できます。(4) 式を少し変形して
決定係数の意味
=
d2 2
i
1 − rxy =
2
(yi − y )
¯
2
2 /n
ddi
i
=
− y )2 /n
¯ 2
(yi i − y )
(y
¯
2 /n
残差の2乗の平均
di
(5)
(yi − y )2 /n
¯
yの偏差の2乗の平均
決定
,端の分母は,y 全体の平均からの各 y のへだたり,すな
y 全体の平均からの各 yi のへだたり,すなわち偏差の2乗の平
(yの分散)
係数
i
。一方,分子は,残差の2乗の平均になっています。残差は「線
表しています。一方,分子は,残差の2乗の平均になって
」ですから,分子は「線形モデルによる予測結果を中心とするば
y
回帰直線からの[決定係
からの隔たり」ですから,分子は「線形モデルによる予測
y
y
i
なら
di = yi – yi
y
i
ます(図 3)i – y
。
y
ばらつきは
[分散]
[残差]
A. Asano, Kansai Univ.
[偏差]
の y のばらつき具合に対する,線形モデルからのばらつき具合の
y
y
こんなに減った
は「もともとの y のばらつき具合に対する,線形モデルか
。線形単回帰では,
「データが散布図上にばらついている」という
とになります。線形単回帰では,
「データが散布図上にばら
ではなく,線形モデルで表される直線に沿ってばらついている」
もともと y はこんなに
ルで完全に表されたわけではなく,直線から見てもデータはいく
ついているのではなく,線形モデルで表される直線に沿っ
x
x
i
ばらついていた
で完全に説明がついているわけではありません。こう考えると,
し,線形モデルで完全に表されたわけではなく,直線から
2013年度秋学期 統計学
図 4: 決定係数の意味
117. のように説明できます。(4) 式を少し変形して
できます。(4) 式を少し変形して
決定係数の意味
=
d2 2
i
1 − rxy =
2
(yi − y )
¯
2
2 /n
ddi
i
=
− y )2 /n
¯ 2
(yi i − y )
(y
¯
2 /n
残差の2乗の平均
di
(5)
(yi − y )2 /n
¯
yの偏差の2乗の平均
決定
,端の分母は,y 全体の平均からの各 y のへだたり,すな
y 全体の平均からの各 yi のへだたり,すなわち偏差の2乗の平
(yの分散)
係数
i
。一方,分子は,残差の2乗の平均になっています。残差は「線
表しています。一方,分子は,残差の2乗の平均になって
」ですから,分子は「線形モデルによる予測結果を中心とするば
y
回帰直線からの[決定係
からの隔たり」ですから,分子は「線形モデルによる予測
y
y
i
なら
di = yi – yi
y
i
ます(図 3)i – y
。
y
ばらつきは
[分散]
[残差]
A. Asano, Kansai Univ.
[偏差]
の y のばらつき具合に対する,線形モデルからのばらつき具合の
y
y
こんなに減った
は「もともとの y のばらつき具合に対する,線形モデルか
。線形単回帰では,
「データが散布図上にばらついている」という
とになります。線形単回帰では,
「データが散布図上にばら
ではなく,線形モデルで表される直線に沿ってばらついている」
もともと y はこんなに
ルで完全に表されたわけではなく,直線から見てもデータはいく
ついているのではなく,線形モデルで表される直線に沿っ
x
x
i
ばらついていた
で完全に説明がついているわけではありません。こう考えると,
し,線形モデルで完全に表されたわけではなく,直線から
2013年度秋学期 統計学
図 4: 決定係数の意味