Twee variabelen: spreidingsdiagrammen, correlatie en regressie
Lesnotities
Definitie
Paren en de tabel met paren
Bij een onderzoek naar twee variabelen geeft elke persoon (of elk ding) twee getallen, een paar (x,y). De tabel met paren zet ze neer: een kolom of rij voor x en een voor y. Beide variabelen zijn kwantitatief: het zijn getallen, zoals uren en een hartslag.
Voorbeeld
Zes leerlingen: uren sport per week (x) en hartslag in rust (y). De derde leerling doet 3 uur sport en heeft een hartslag van 75, dus het paar is (3,75). Zes paren geven zes punten.
Definitie
Het spreidingsdiagram
Een spreidingsdiagram tekent elk paar als een punt: x langs de horizontale as en y langs de verticale as. Kijk naar de hele puntenwolk. Stijgt of daalt ze (richting)? Is ze een smalle strook of breed (sterkte)? Buigt ze? Ligt er een punt ver van de rest?
Voorbeeld
Twaalf leerlingen: de punten dalen van links naar rechts (gestippelde pijl). De leerlingen die meer sporten hebben meestal een lagere hartslag in rust. De pijl is alleen een hulp voor het oog.
Definitie
De vraag, de verklarende en de responsvariabele
Een goede vraag noemt twee kwantitatieve variabelen en wie er gemeten wordt: “Is er een verband tussen x en y bij de leerlingen van een school?” De verklarende variabelex staat op de horizontale as. De responsvariabeley is die waarvan we verwachten dat ze meeverandert. Verwisselen verandert r niet, maar wel de regressielijn.
Voorbeeld
Vijf paren geven de lijn y=1+2x. Met verwisselde assen is de lijn x=0,2+0,4y: een andere lijn, maar dezelfde r=0,89.
Regel
Het plan en de gegevens klaarmaken
Om paren te krijgen die je kunt vertrouwen: kies de leerlingen aselect (iedereen heeft dezelfde kans), neem genoeg paren (15 of meer), bewaar geen namen en maak de lijsten klaar. Beide lijsten zijn even lang, elke waarde is een getal en de eenheden zijn duidelijk (uren, slagen per minuut).
Voorbeeld
Een school heeft 600 leerlingen. Geef elke leerling een nummer, laat de computer 30 nummers trekken en meet die 30 leerlingen: 30 paren. 5 vrienden vragen is niet aselect en te weinig.
Regel
De telverhouding per gebied
Teken een verticale lijn bij het gemiddelde van x en een horizontale lijn bij het gemiddelde van y. Ze verdelen het diagram in vier gebieden: A rechtsboven, B linksboven, C linksonder, D rechtsonder. Tel de punten in elk gebied (een punt op een lijn telt niet mee). A en C zijn de gebieden met dezelfde richting, B en D de tegengestelde. De telverhouding loopt van −1 tot 1.telverhouding=A+B+C+D(A+C)−(B+D)
Voorbeeld
Tien punten: A =4, B =1, C =4, D =1. De telverhouding is 10(4+4)−(1+1)=106=0,6.
Regel
De telverhouding lezen
Een telverhouding dicht bij 1 betekent dat bijna alle punten in A en C liggen: een positief verband (hogere x, hogere y). Dicht bij −1 liggen bijna alle punten in B en D: een negatief verband. Dicht bij 0 bevatten beide paren gebieden evenveel punten: geen duidelijke richting. Dit is het idee achter de correlatiecoëfficiënt r.
De correlatiecoëfficiëntr is één getal voor het rechtlijnige verband tussen twee kwantitatieve variabelen. Software geeft hem: je rekent hem niet met de hand uit. Het teken is de richting en de grootte is de sterkte. r=1 of r=−1 betekent dat alle punten op een rechte lijn liggen. r heeft geen eenheid.−1≤r≤1
Voorbeeld
Voor de vijf paren (1,45), (2,46), (3,52), (4,58), (5,59) geeft de software r=0,97: een sterk positief verband.
Regel
Richting en sterkte in woorden
De richting is positief als r>0 (de punten stijgen) en negatief als r<0 (ze dalen). De sterkte volgt uit ∣r∣, de grootte zonder teken. Een vuistregel (boeken verschillen een beetje): onder 0,2 geen verband, van 0,2 tot 0,4 zwak, van 0,4 tot 0,7 matig, vanaf 0,7 sterk.
Voorbeeld
r=−0,55: het teken is min, dus het verband is negatief. ∣r∣=0,55 ligt tussen 0,4 en 0,7: matig. Een matig negatief verband.
Bijzonder geval
r = 1, r = −1 en geen variatie
Als alle punten op één stijgende lijn liggen, is r=1; op een dalende lijn is r=−1. In echte gegevens komt dat bijna nooit voor. Als alle y-waarden gelijk zijn (of alle x-waarden) varieert er niets: r is niet te berekenen en de software geeft een foutmelding of een streepje. Dan valt er over een richting niets te zeggen.
Voorbeeld
Zes leerlingen hebben allemaal een hartslag in rust van 70, hoeveel ze ook sporten: de punten liggen op een horizontale lijn. r bestaat niet, maar het beeld is duidelijk: de hartslag verandert niet met sport.
Tip
Teken altijd eerst het diagram
Heel verschillende gegevens kunnen dezelfde r hebben. Alleen het plaatje laat het verschil zien: een rechte strook, een kromme, een verre uitschieter of alle punten bij één x-waarde. Noem r nooit zonder naar het spreidingsdiagram te kijken.
Voorbeeld
De vier gegevenssets van Anscombe met elk 11 paren hebben allemaal r=0,82 en dezelfde lijn y=3+0,5x. Alleen de eerste lijkt op een rechte strook.
Definitie
Een uitschieter: een punt ver weg
Een uitschieter is een punt ver van de andere. Eén uitschieter kan r sterk veranderen: hij kan een verband laten verschijnen of verbergen. Zoek uit waarom hij ver weg ligt (een fout, of een ander soort persoon?). Haal hem niet weg alleen omdat hij r verpest, en geef r met en zonder hem.
Voorbeeld
Tien leerlingen (schoenmaat en leesscore) hebben r=−0,02. Voeg hun leraar toe met schoenmaat 46 en score 49 en r=0,63. Eén punt maakte het verband.
Let op!
Een verband is geen oorzaak
Twee variabelen kunnen samen bewegen zonder dat de een de ander veroorzaakt. Een derde variabele kan beide verklaren, of de oorzaak kan andersom lopen. Alleen een goed opgezet experiment kan een oorzaak aantonen. Zeg “gaat samen met” of “heeft de neiging”, niet “veroorzaakt”. Ook atoomgewicht en dichtheid van elementen gaan samen, maar geen van beide veroorzaakt de ander.
Voorbeeld
Over 12 maanden hebben de verkochte ijsjes en de zwemongelukken r=0,86. Warm weer (oranje maanden) verhoogt beide. In de koude maanden is r=−0,27 en in de warme maanden r=0,32.
Regel
Een steekproef is maar een steekproef
Een andere aselecte steekproef geeft andere paren en dus een andere r. De r van een steekproef is maar een schatting voor de hele groep. Schrijf “in deze steekproef” en geef r niet te veel cijfers. Meer paren maken r stabieler.
Voorbeeld
In een (gesimuleerde) school waar r ongeveer 0,6 is, gaven twee aselecte steekproeven van 12 leerlingen r=0,85 en r=0,34.
Let op!
Weinig paren, geen aselecte steekproef
Vijf vrienden zijn te weinig en geen aselecte steekproef: ze kunnen niet voor iedereen spreken. Een lijn door een paar uitgekozen punten kan er perfect uitzien en toch fout zijn voor de hele groep.
Voorbeeld
De vijf oranje vrienden hebben r=0,98 en een steile lijn. Alle 12 leerlingen (ook de grijze) hebben r=0,34 en een vlakkere lijn.
Definitie
De best passende lijn
De best passende lijn (regressielijn) loopt door de wolk en wordt gebruikt om y uit x te voorspellen. De richtingscoëfficiëntb zegt hoeveel y verandert bij 1 meer x. Het snijpunt met de y-asa is de voorspelde y bij x=0 (het kan betekenisloos zijn). Software geeft a en b.y^=a+bx
Voorbeeld
Leeruren x en cijfers y van vijf leerlingen geven y^=40+4x. Elk extra uur gaat in deze steekproef samen met ongeveer 4 punten meer.
Definitie
Het residu
Het residu van een punt is werkelijk min voorspeld: de verticale afstand van het punt tot de lijn. Een punt boven de lijn heeft een positief residu, een punt eronder een negatief.e=y−y^
Voorbeeld
Bij x=4 voorspelt de lijn 40+4⋅4=56 en de leerling haalde 58: residu 58−56=+2. Bij x=2 voorspelt ze 48 en de leerling haalde 46: residu 46−48=−2.
Regel
Kleinste kwadraten
De beste lijn is die met de kleinste som van de kwadraten van de residuen: de methode van de kleinste kwadraten. Kwadrateren maakt elke afwijking positief en straft grote afwijkingen zwaarder. Elke andere lijn heeft een grotere som.∑e2=e12+e22+…
Voorbeeld
Beste lijn y^=40+4x: 1+4+0+4+1=10. Een lijn op het oog getekend, y^=44+3x: 4+16+1+4+0=25. De beste lijn heeft de kleinste som.
Regel
Twee dingen die altijd waar zijn
Voor de lijn van de kleinste kwadraten zijn de residuen samen 0 en gaat de lijn door het punt van de gemiddelden(xˉ,yˉ). Zo vind je het snijpunt met de y-as uit de gemiddelden en de richtingscoëfficiënt.a=yˉ−bxˉ
Voorbeeld
xˉ=3, yˉ=52 en b=4: a=52−4⋅3=40. De residuen zijn samen 1−2+0+2−1=0.
Regel
Interpolatie: voorspellen binnen de gegevens
Voorspellen voor een xbinnen het bereik van de gegevens heet interpolatie. Het is redelijk veilig als het verband sterk is en de punten dicht bij de lijn liggen. Een voorspelling is een richtlijn, geen belofte.
Voorbeeld
x=2,5 uur ligt tussen 1 en 5, binnen de gegevens. y^=40+4⋅2,5=50 punten.
Let op!
Extrapolatie en onmogelijke waarden
Voorspellen buiten het bereik van de gegevens heet extrapolatie. Het patroon kan stoppen of buigen en de lijn kan onmogelijke waarden geven: een cijfer boven 100, een negatieve lengte. Rek een lijn niet ver buiten de gegevens uit.
Voorbeeld
x=20 uur: y^=40+4⋅20=120 punten. Dat kan niet: de lijn bereikt 100 bij 15 uur (40+4⋅15=100).
Let op!
Door elkaar gehaalde groepen kunnen een trend omdraaien
Als twee groepen in één diagram door elkaar staan, kan de trend van alle punten samen het tegenovergestelde zijn van de trend binnen elke groep. Kleur de groepen en kijk naar elke groep apart.
Voorbeeld
Studie-uren en cijfers van 10 leerlingen in twee vakken: samen r=−0,64 (meer studeren, lager cijfer?). In het makkelijke vak is r=0,93 en in het moeilijke vak r=0,98: meer studeren verhoogt het cijfer in beide. De leerlingen van het moeilijke vak studeren meer maar halen lagere cijfers.
Bijzonder geval
r meet alleen rechte lijnen
r zegt hoe goed de punten een rechte lijn volgen. Punten op een kromme kunnen een sterk verband hebben en toch r=0. Dus r=0 betekent “geen rechtlijnig verband”, niet “geen verband”.
Voorbeeld
Zeven punten op y=x2 met x van −3 tot 3: r=0 en de beste lijn is vlak bij y=4. Toch is y precies x2.
Regel
Buigen de punten, gebruik een ander model
Ook een hoge r maakt een rechte lijn niet juist. Buigen de punten, kijk dan naar de residuen: een patroon als +,+,−,−,−,+ zegt “kromme”. Probeer dan een macht- of exponentieel model (de applicaties power-fit en exponential-models).
Voorbeeld
Bacteriën die zich verdubbelen: 1, 2, 4, 8, 16, 32 op de tijden 0 tot 5. De beste rechte lijn heeft r=0,91, maar de punten volgen precies y=2x.
Tip
Een zorgvuldige zin
Zeg wat de gegevens laten zien en niets meer: “In deze steekproef van [aantal] [groep] hebben [x] en [y] een [sterkte] [positief of negatief] verband (r= …). Dit laat niet zien dat [x] [y] veroorzaakt.” Woorden als “heeft de neiging” zijn goed; “bewijst” en “altijd” zijn fout.
Voorbeeld
In deze steekproef van 30 leerlingen gaat meer slaap samen met hogere cijfers: een matig positief verband (r=0,55). Dit laat niet zien dat slaap de cijfers veroorzaakt.
Tip
De checklist voor beweringen
Maakt iemand een bewering over twee variabelen, controleer dan: (1) een derde variabele achter beide? (2) een uitschieter die het patroon maakt of verbergt? (3) door elkaar gehaalde groepen? (4) weinig paren of geen aselecte steekproef? (5) extrapolatie of een onmogelijke waarde? (6) te sterke woorden voor de grootte van r of een oorzaak? (7) een kromme, waarbij r niet past?
Voorbeeld
Bewering: “IJsverkoop en zwemongelukken hebben r=0,86, dus ijs is gevaarlijk.” Controle 1: warm weer verhoogt beide. Controle 6: de bewering zegt “oorzaak”. Oordeel: weerleggen.
Regel
Weerleggen of accepteren
Noem de fout en geef een getal als reden: r met en zonder een punt, r binnen elke groep, de waarde van de lijn bij de x van de bewering. Weerleg een bewering als de fout haar conclusie verandert. Accepteer haar als ze alleen zegt wat de gegevens laten zien, met zorg.
Voorbeeld
“Leerlingen met grotere schoenen lezen beter (r=0,63).” Zonder de leraar is r=−0,02: weerleggen. “In deze aselecte steekproef van 30 leerlingen gaat meer slaap samen met hogere cijfers (r=0,55)”: geen oorzaak, binnen de gegevens: accepteren.
Tip
Waar kijk je daarna
Als de punten buigen, open dan de applicaties power-fit en exponential-models. Voor de samenvattende hulpmiddelen van één variabele open je data-tools. Om te oefenen met het kiezen van een weergave en een samenvatting bij kant-en-klare gegevens open je ready-data-lab bij “Gegevens en vragen”.
Voorbeeld
Als y bij elke stap verdubbelt (1, 2, 4, 8, 16, 32) open dan exponential-models. Als y groeit als x2 open dan power-fit.
Oefenen
De software geeft r=−0,96 voor 12 leerlingen: uren sport per week en hartslag in rust. Noem de richting en de sterkte van het verband. Makkelijk
Toon de oplossing
r is negatief, dus de punten dalen van links naar rechts: een negatief verband.
∣r∣=0,96 is 0,7 of meer: sterk.
Antwoord → een sterk negatief verband
Dit beschrijft de punten in de steekproef. Het zegt niet dat sport de hartslag verlaagt.
De gestippelde lijnen gaan door de gemiddelden van x en y. Tel de punten in de vier gebieden en bereken de telverhouding. Makkelijk
Toon de oplossing
Tel: A =4, B =1, C =4, D =1.
Dezelfde richting: 4+4=8. Tegengesteld: 1+1=2.
De telverhouding is 108−2=0,6.
Antwoord → 0,6
Een positieve telverhouding wijst dezelfde kant op als r. De software geeft r=0,78 voor deze punten: ook positief.
Voor vijf leerlingen is de gemiddelde leertijd 3 uur en het gemiddelde cijfer 52. De richtingscoëfficiënt van de best passende lijn is 4 punten per uur. Bepaal a en schrijf de lijn op. Makkelijk
Toon de oplossing
De lijn gaat door het punt van de gemiddelden: 52=a+4⋅3.
a=52−12=40.
Antwoord → y^=40+4x
Controle: bij x=3 geeft de lijn 40+12=52, het gemiddelde cijfer.
De best passende lijn is y^=40+4x. Een leerling met x=4 haalde 58. Bepaal het residu en zeg of het punt boven of onder de lijn ligt. Makkelijk
Toon de oplossing
Voorspeld: 40+4⋅4=56.
Residu: werkelijk min voorspeld: 58−56=2.
Het residu is positief: het punt ligt boven de lijn.
Antwoord → residu +2, boven de lijn
Controle: in het plaatje ligt het oranje punt 2 punten boven de lijn.
Gebruik y^=40+4x (de leeruren lagen tussen 1 en 5) om het cijfer na 2,5 uur te voorspellen. Kun je het vertrouwen? Middel
Toon de oplossing
y^=40+4⋅2,5=50.
2,5 ligt tussen 1 en 5, binnen de gegevens, en r=0,97 is sterk.
Antwoord → 50 punten, een goede richtlijn (interpolatie)
Het blijft een richtlijn: een andere leerling kan een paar punten meer of minder halen.
Vier residuen van de best passende lijn zijn 1, −2, 0 en 2. Bepaal het vijfde residu en de som van de kwadraten van de vijf. Middel
Toon de oplossing
De residuen van de best passende lijn zijn samen 0: 1−2+0+2+e=0.
Dus e=−1.
Kwadraten: 1+4+0+4+1=10.
Antwoord → −1 en de som van de kwadraten 10
Dit zijn de residuen van de vijf leerlingen van deze pagina: y^=40+4x.
Gebruik y^=40+4x om het cijfer na 20 uur leren te voorspellen. Kan dat? Vanaf hoeveel uur geeft de lijn meer dan 100? Middel
Toon de oplossing
y^=40+4⋅20=120.
Een cijfer boven 100 is onmogelijk.
40+4x=100 geeft x=15: boven 15 uur geeft de lijn meer dan 100.
Antwoord → 120 punten: onmogelijk; de lijn komt bij 15 uur boven 100
De gegevens beslaan alleen 1 tot 5 uur: dit is extrapolatie.
Voor 11 punten (10 leerlingen en hun leraar) geeft de software r=0,63. Zonder het punt van de leraar is r=−0,02. Wat doet het punt van de leraar en wat zeg je over de leerlingen? Middel
Toon de oplossing
Met het punt is r=0,63 (matig positief), zonder is r=−0,02 (geen verband).
Eén verre punt maakt het verband.
Bij de 10 leerlingen is er geen verband tussen schoenmaat en leesscore.
Antwoord → het verre punt maakt het verband; bij de leerlingen is er geen
De leraar is geen leerling, dus het punt weglaten is hier eerlijk. Zeg altijd dat je het weggelaten hebt.
Twee lijnen gaan door de vijf punten: y^=40+4x en y^=44+3x. Welke lijn is beter? Geef van beide de som van de kwadraten van de residuen. Middel
Toon de oplossing
Eerste lijn: residuen 1,−2,0,2,−1; kwadraten 1+4+0+4+1=10.
Tweede lijn: voorspeld 47,50,53,56,59, residuen −2,−4,−1,2,0; kwadraten 4+16+1+4+0=25.
De kleinere som hoort bij de betere lijn.
Antwoord → y^=40+4x (10 tegen 25)
De residuen van de tweede lijn zijn samen −5, niet 0: het is niet de lijn van de kleinste kwadraten.
Over 12 maanden hebben de verkochte ijsjes en de zwemongelukken r=0,86. Iemand zegt: “ijs veroorzaakt zwemongelukken”. Waarom wordt dat niet ondersteund? Middel
Toon de oplossing
Kijk naar de kleuren: warme maanden (oranje) hebben veel ijsjes en veel ongelukken, koude maanden (blauw) van beide weinig.
Warm weer is een derde variabele die beide verhoogt.
In de koude maanden is r=−0,27, in de warme maanden r=0,32: er blijft nauwelijks verband over.
Antwoord → een derde variabele (warm weer) verklaart beide; een patroon is geen oorzaak
Alleen een goed opgezet experiment kan een oorzaak aantonen.
Twee aselecte steekproeven van 12 leerlingen van dezelfde school geven r=0,85 en r=0,34. Kunnen beide kloppen? Wat moet een rapport zeggen? Middel
Toon de oplossing
Elke steekproef heeft andere leerlingen, dus elke steekproef heeft een andere r.
Beide zijn eerlijke schattingen van de r van de hele school.
Een rapport zegt “in deze steekproef” en waarschuwt dat een nieuwe steekproef een andere r geeft.
Antwoord → ja, beide kunnen kloppen; zeg “in deze steekproef” en noem de onzekerheid
Meer paren maken r stabieler.
Vijf paren: (1,4), (2,3), (3,7), (4,11), (5,10). Bepaal de best passende lijn en de som van de kwadraten. Moeilijk
Toon de oplossing
Gemiddelden: xˉ=3, yˉ=7. Afwijkingen: x−xˉ is −2,−1,0,1,2 en y−yˉ is −3,−4,0,4,3.
∑(x−xˉ)2=10 en ∑(x−xˉ)(y−yˉ)=6+4+0+4+6=20, dus b=1020=2 en a=7−2⋅3=1: y^=1+2x.
De lijn voor vijf leerlingen is y^=40+4x (x in uren) met r=0,97. Nu is x in halve uren: x′=2x. Bepaal de nieuwe helling, het snijpunt en r. Wat verandert er als je x en y verwisselt? Moeilijk
Toon de oplossing
x=2x′, dus y^=40+2x′: helling 2, snijpunt 40. r heeft geen eenheid: nog steeds 0,97.
Verwisseld: r blijft 0,97, maar de helling van x op y is ongeveer 0,24, niet 41: een andere lijn.
Tien leerlingen, twee vakken. Samen r=−0,64, makkelijk vak r=0,93, moeilijk vak r=0,98. “Meer studeren verlaagt je cijfer”, zegt een leraar. Weerleg dat. Moeilijk
Toon de oplossing
Groepslijnen: makkelijk y^=75,6+3,4x, moeilijk y^=18,9+3,9x. Beide richtingscoëfficiënten zijn positief.
Bij 5 uur: makkelijk 92,6, moeilijk 38,4.
De negatieve r komt door het mengen van de groepen.
Antwoord → weerleggen: binnen elk vak verhoogt meer studeren het cijfer
Kleur de groepen voordat je één r vertrouwt.
Vijf punten liggen precies op y=x2: (−2,4), (−1,1), (0,0), (1,1), (2,4). De software geeft r=0. Een leerling zegt: “Dus x en y hangen niet samen.” Klopt dat? Moeilijk
Toon de oplossing
xˉ=0 en de punten links zijn het spiegelbeeld van de punten rechts: de best passende lijn is vlak, y=yˉ=2, dus r=0.
Maar y=x2 precies: een perfect verband, een kromme.
r meet alleen rechte lijnen: teken eerst het diagram.
Antwoord → nee: er is geen rechtlijnig verband, maar y is precies x2
Controle: x=2 en x=−2 geven allebei y=4.
Interactieve applicaties bij dit onderwerp
Gratis applicaties openen met een gratis leerlingaccount. Docenten kunnen alle applicaties gebruiken in een live les.