Residuenrechner - Lineare Regression
Hypothesentests und statistische Inferenz
Dieses Tool berechnet die Residuen eines einfachen linearen Regressionsmodells. Geben Sie Ihre X- und Y-Datenpunkte ein, um die Regressionsgerade zu ermitteln und Vorhersagefehler zu analysieren.
Residuenrechner - Lineare Regression
Hypothesentests und statistische Inferenz
Über den Residuenrechner
Ein Residuum ist die Differenz zwischen einem beobachteten Wert und dem von einem statistischen Modell vorhergesagten Wert. Im Kontext der einfachen linearen Regression ist das Residuum für Beobachtung i definiert als e_i = y_i − ŷ_i, wobei y_i der tatsächlich beobachtete Wert und ŷ_i der von der kleinsten Quadrate geschätzten Regressionsgeraden ŷ = b₀ + b₁x vorhergesagte Wert ist.
Die Methode der kleinsten Quadrate (OLS) findet die Regressionsgerade, die die Summe der quadrierten Residuen minimiert (SSE = Σe_i²). Dieses Tool berechnet Steigung (b₁) und Achsenabschnitt (b₀) mit den Standardformeln: b₁ = Σ(xᵢ − x̄)(yᵢ − ȳ) / Σ(xᵢ − x̄)² und b₀ = ȳ − b₁x̄.
Die Residuenanalyse ist ein grundlegender Schritt der Regressionsdiagnostik. Nach dem Anpassen eines Modells sollten Sie die Residuen prüfen, um wichtige Annahmen zu verifizieren: Linearität (Residuen sollten beim Plot gegen x kein systematisches Muster zeigen), Homoskedastizität (Residuen sollten ungefähr konstante Varianz haben), Unabhängigkeit (Residuen sollten nicht autokorreliert sein) und Normalität (Residuen sollten annähernd normalverteilt sein).
Ein Residualdiagramm — ein Streudiagramm der Residuen gegen die vorhergesagten Werte oder gegen die unabhängige Variable — ist das wichtigste Diagnosewerkzeug. Zufällig um Null verstreute Residuen ohne Muster deuten darauf hin, dass das lineare Modell geeignet ist. Systematische Muster wie eine U-Form sprechen für Nichtlinearität, Trichterformen für Heteroskedastizität und Cluster für einflussreiche Beobachtungen oder Ausreißer.
Der Bestimmtheitsmaß R² misst, wie viel der Varianz in y durch x erklärt wird. R² reicht von 0 (das Modell erklärt keine Varianz) bis 1 (perfekte Anpassung). Er wird als 1 − SSE/SST berechnet, wobei SST = Σ(yᵢ − ȳ)² ist.
Dieser Rechner ist ideal für Studierende, die Regression lernen, Analysten für schnelle Datenqualitätsprüfungen und Forschende, die die Modellanpassung vor komplexeren Analysen validieren. Die Ergebnisse enthalten die vollständige Regressionsgleichung, eine Residuentabelle für jeden Punkt, die gesamte SSE und den R²-Wert für die sofortige Interpretation.
Beispiele zur Residuenberechnung
Diese Beispiele zeigen, wie Residuen aus X- und Y-Datenpaaren berechnet werden.
| X → Y Daten | Regressionsgerade | R² |
|---|---|---|
| X: 1,2,3,4,5 / Y: 2,4,5,4,5 | ŷ = 0.6x + 2.2 | R² = 0.60 |
| X: 1,2,3,4 / Y: 2,4,6,8 | ŷ = 2x + 0 | R² = 1.00 (perfekte Anpassung) |
| X: 1,2,3,4,5 / Y: 5,3,4,2,1 | ŷ = -0.9x + 5.7 | R² = 0.81 |
So verwenden Sie diesen Rechner
- Geben Sie die unabhängigen Werte (X) im ersten Textfeld durch Kommas oder Leerzeichen getrennt ein.
- Geben Sie die entsprechenden beobachteten Werte (Y) im zweiten Textfeld in derselben Reihenfolge wie X ein.
- Klicken Sie auf „Berechnen“, um die kleinste-Quadrate-Regression zu fitten und alle Residuen zu berechnen.
- Prüfen Sie die Residuentabelle, um Beobachtungen zu erkennen, die weit von der Regressionsgeraden entfernt sind.
- Überprüfen Sie R², um zu beurteilen, wie gut das lineare Modell zu Ihren Daten passt.
Häufig gestellte Fragen
Was bedeutet ein großes Residuum?
Ein großes Residuum bedeutet, dass der beobachtete Wert weit von dem entfernt ist, was das Regressionsmodell vorhergesagt hat. Große Residuen können auf Ausreißer, einflussreiche Beobachtungen oder darauf hinweisen, dass das lineare Modell nicht die beste Anpassung für Ihre Daten ist. Untersuchen Sie solche Punkte vor einer Schlussfolgerung.
Warum summieren sich Residuen in der OLS-Regression zu Null?
Wenn die OLS-Regression einen Achsenabschnitt enthält, summieren sich die Residuen immer exakt zu Null. Das ist eine mathematische Eigenschaft des Kleinste-Quadrate-Schätzers: Die Regressionsgerade muss durch den Punkt (x̄, ȳ) verlaufen, wodurch sich positive und negative Abweichungen aufheben.
Was ist der Unterschied zwischen einem Residuum und einem Fehler?
Ein Fehler ist die nicht beobachtbare Differenz zwischen einem beobachteten Wert und der wahren Populationsregressionsgeraden. Ein Residuum ist die beobachtbare Differenz zwischen einem beobachteten Wert und der geschätzten Regressionsgeraden. In der Praxis werden Residuen verwendet, um Fehler zu schätzen und zu analysieren.
Was sagt mir R² über die Residuen?
R² (Bestimmtheitsmaß) ist der Anteil der gesamten Varianz in Y, der durch das lineare Regressionsmodell erklärt wird. Ein hohes R² bedeutet, dass das Modell gut passt und die Residuen im Verhältnis zur Gesamtstreuung von Y klein sind. Ein hohes R² allein garantiert jedoch nicht, dass die Modellannahmen erfüllt sind.
Wie erkenne ich Heteroskedastizität in Residuen?
Plotten Sie die Residuen gegen die angepassten Werte. Wenn die Streuung der Residuen mit den angepassten Werten systematisch zu- oder abnimmt (Trichterform), liegt Heteroskedastizität vor. Formale Tests wie der Breusch-Pagan- oder der White-Test können dies statistisch bestätigen.
Kann dieser Rechner multiple lineare Regression behandeln?
Nein, dieser Rechner behandelt nur einfache lineare Regression mit einer unabhängigen Variable (X) und einer abhängigen Variable (Y). Für multiple Regression mit zwei oder mehr Prädiktoren verwenden Sie Statistiksoftware wie R, Python (statsmodels), Excel oder SPSS.