W skrócie: regresja liniowa opisuje zależność między zmienną zależną a jedną lub kilkoma niezależnymi za pomocą linii prostej. Pozwala przewidywać wartości i oceniać wpływ predyktorów; kluczowe są współczynniki, ich istotność (p) oraz dopasowanie modelu (R²).
W części empirycznej wielu prac dyplomowych pojawia się pytanie: czy jedna zmienna wpływa na drugą i jak silnie? Odpowiedzi dostarcza regresja liniowa — jedna z podstawowych metod statystycznych. W tym artykule wyjaśniamy, czym jest, jak czytać jej równanie i współczynniki oraz czym różni się od korelacji.
Czym jest regresja liniowa?
Regresja liniowa to metoda statystyczna opisująca zależność między zmienną zależną (objaśnianą, Y) a jedną lub kilkoma zmiennymi niezależnymi (objaśniającymi, X) za pomocą linii prostej. Pozwala nie tylko stwierdzić, że dwie zmienne są powiązane, ale też oszacować, o ile zmieni się Y, gdy X wzrośnie o jednostkę — a nawet prognozować wartości.
Równanie regresji liniowej
Model regresji prostej zapisujemy wzorem Y = a + bX, gdzie a to wyraz wolny (wartość Y, gdy X = 0), a b to współczynnik kierunkowy (nachylenie prostej). Współczynnik b mówi, o ile średnio zmienia się Y przy wzroście X o jednostkę. Dodatnie b oznacza zależność rosnącą, ujemne — malejącą. Parametry wyznacza się metodą najmniejszych kwadratów, która minimalizuje sumę kwadratów odchyleń obserwacji od prostej.
Regresja a korelacja — czym się różnią?
To pokrewne, ale nie tożsame pojęcia. Korelacja mierzy siłę i kierunek związku między zmiennymi (współczynnik od −1 do 1), nie rozróżniając, która zmienna jest przyczyną, a która skutkiem. Regresja idzie dalej: buduje model, który pozwala przewidywać wartość jednej zmiennej na podstawie drugiej. Korelacja odpowiada na pytanie „czy i jak silnie”, a regresja — „w jaki sposób i o ile”.
Jak interpretować wyniki regresji?
Analizując wydruk z programu statystycznego, zwróć uwagę na trzy elementy:
- Współczynnik kierunkowy (b) — kierunek i siłę wpływu X na Y,
- Współczynnik determinacji R² — jaką część zmienności Y wyjaśnia model (od 0 do 1; im bliżej 1, tym lepsze dopasowanie),
- Istotność statystyczną (p-value) — czy zależność jest istotna (zwykle przy p < 0,05).
Regresja liniowa krok po kroku (przykład)
Załóżmy, że badasz, czy liczba godzin nauki (X) wpływa na wynik egzaminu (Y). Po wprowadzeniu danych do arkusza lub programu statystycznego otrzymujesz równanie, np. Y = 40 + 5X. Oznacza to, że student nieuczący się uzyskałby średnio 40 punktów, a każda dodatkowa godzina nauki podnosi wynik średnio o 5 punktów. Jeśli R² wynosi 0,7, model wyjaśnia 70% zróżnicowania wyników, a niskie p potwierdza, że zależność nie jest dziełem przypadku.
Najczęściej zadawane pytania (FAQ)
Czym różni się regresja od korelacji?
Korelacja mówi o sile i kierunku związku, a regresja buduje model pozwalający przewidywać wartość jednej zmiennej na podstawie drugiej i wskazuje, o ile zmienia się Y przy zmianie X.
Co oznacza współczynnik R²?
Współczynnik determinacji R² pokazuje, jaką część zmienności zmiennej zależnej wyjaśnia model. R² = 0,7 oznacza, że model tłumaczy 70% zróżnicowania wyników.
Kiedy stosować regresję liniową?
Gdy chcesz zbadać i opisać liniową zależność między zmiennymi ilościowymi oraz ewentualnie prognozować wartości. Przy zależnościach nieliniowych stosuje się inne modele.
Potrzebujesz pomocy w analizie statystycznej do części empirycznej? Zobacz, jak realizujemy badania empiryczne oraz naszą pomoc w pisaniu pracy magisterskiej.
Więcej o praktycznym liczeniu i interpretacji znajdziesz w poradniku: Analiza statystyczna do pracy licencjackiej i magisterskiej.
Nie ogarniasz analizy statystycznej w swojej pracy? Zobacz, jak możemy pomóc: analizy i badania empiryczne.