Hodnocení trendové linie

Statistické techniky v Tableau

Maarten Van den Broeck

Content Developer at DataCamp

Lineární a logaritmické modely

Lineární Lineární model druhové bohatosti vs. vzdálenost s trendovou linií.

Logaritmický Lineární model druhové bohatosti vs. vzdálenost s logaritmickou linií.

Lineární model

Lineární model druhové bohatosti vs. vzdálenost s lineární trendovou linií.

$y=a*x+b$
Regrese: kvantifikuje, jak $x$ ovlivňuje $y$
$a$ = sklon, $b$ = průsečík
$richness = a * distance + b$
$richness = 0{,}0038 * distance + 13{,}4$

Rezidua a $R^2$ lineárního modelu

Lineární model druhové bohatosti vs. vzdálenost s lineární linií.

Cílem je minimalizovat vzdálenost mezi pozorováním a trendovou linií
Tato vzdálenost se nazývá reziduum
Koeficient determinace $R^2$
Pro lineární model: $R^2$ = druhá mocnina korelačního koeficientu
Mezi 0 (nejhorší) a 1 (nejlepší)
$R^2 = 0{,}33$
Vysvětluje $n\%$ variability

$R^2$ logaritmického modelu

Lineární model druhové bohatosti vs. vzdálenost s logaritmickou linií.

$R^2 = 0.59$

Reziduální standardní chyba (RSE)

Průměrná odchylka pozorovaných hodnot od trendové linie
Lineární model: RSE = 3,69
Interval spolehlivosti je širší při nízkých a vysokých vzdálenostech

Stejná jednotka jako na ose y
Logaritmický model: RSE = 2,91
Interval spolehlivosti je širší pouze při velmi vysokých vzdálenostech

p-hodnota

Lineární model

p-hodnota = 0,001
Pravděpodobnost $\frac{1}{1000}$, že korelace neexistuje
p-hodnota < 0,05: model je statisticky významný, dobře odpovídá datům

Logaritmický model

p-hodnota = 0,0001
Pravděpodobnost $\frac{1}{10000}$, že korelace neexistuje
Čím nižší p-hodnota, tím lépe – ale p-hodnota není vše!

Pojďme si procvičit!

Statistické techniky v Tableau

Preparing Video For Download...