Linear Regression Models · Modelos de Regresión Lineal
| English | Español |
|---|---|
| regression line/rɪˈɡreʃn laɪn/ | Recta de regresión |
| extrapolation/ekˈstræpəleɪʃn/ | extrapolación |
A line through the cloud
- When a scatterplot looks linear, summarize it with a regression line 回归线.
- We write the predicted response as $\hat{y} = a + bx$ (the hat means "predicted").
- $a$ is the $y$-intercept, $b$ is the slope — the line's recipe.
- The line lets us predict $y$ from any $x$ and describe the trend precisely.
Una línea a través de la nube
- Cuando un diagrama de dispersión parece lineal, resúmalo con una línea de regresión 回归线.
- Escribimos la respuesta predicha como $\hat{y} = a + bx$ (el sombrero significa "predicho").
- $a$ es la intercepto en el $y$, $b$ es la pendiente — la receta de la línea.
- La línea nos permite predecir $y$ a partir de cualquier $x$ y describir la tendencia con precisión.
Reading the slope
- The slope $b$ is the predicted change in $y$ for each $1$-unit increase in $x$.
- In context: "each extra hour of study predicts about $b$ more points."
- Its sign matches the direction of the association (positive or negative).
- The slope is where almost all the interpretation credit lives on the exam.
Leer la pendiente
- La pendiente $b$ es el cambio predicho en $y$ por cada aumento de $1$ unidades en $x$.
- En contexto: "cada hora extra de estudio predice aproximadamente $b$ puntos más".
- Su signo coincide con la dirección de la asociación (positiva o negativa).
- La pendiente es donde reside casi todo el crédito interpretativo en el examen.
Reading the intercept
- The intercept $a$ is the predicted $y$ when $x = 0$.
- Sometimes meaningful ("baseline score with zero study"), sometimes not.
- If $x = 0$ is far outside the data, the intercept is just a mathematical anchor.
- Interpret it in context — and be honest when $x=0$ makes no real sense.
Leer la intersección
- La intersección $a$ es la $y$ predicha cuando $x = 0$.
- A veces tiene significado ("puntuación base con cero horas de estudio"), a veces no.
- Si $x = 0$ está muy fuera de los datos, la intersección es solo un ancla matemática.
- Interprete en contexto —y sea honesto cuando $x=0$ no tenga sentido real.
Don't extrapolate
- Use the line only within the range of the observed $x$ values.
- Extrapolation 外推 — predicting far beyond the data — is unreliable.
- The linear pattern may simply not continue out there.
- A model that fits students studying $0$–$8$ hours says nothing trustworthy about $40$ hours.
No extrapole
- Use la línea únicamente dentro del rango de los valores observados de $x$.
- Extrapolación 外推 —predecir muy más allá de los datos— es poco fiable.
- El patrón lineal podría simplemente no continuar allí.
- Un modelo que se ajusta a estudiantes que estudian entre $0$ y $8$ horas no dice nada confiable sobre $40$ horas.
Interpret the slope as a predicted change, not an actual one: "each extra hour is associated with about $b$ more points," not "causes." And never trust a prediction from extrapolation — plugging in an $x$ far outside the data range gives a number the data can't support, even if the arithmetic works.
Interprete la pendiente como un cambio predicho, no uno real: "cada hora extra está asociada con aproximadamente $b$ puntos más", no "causa". Y nunca confíe en una predicción de extrapolación: introducir un $x$ muy fuera del rango de los datos da un número que los datos no pueden respaldar, incluso si las aritméticas funcionan.
For study hours, $\hat{y} = 55 + 4x$ (score predicted from hours).
- Slope $4$: each extra hour of study predicts about $4$ more points.
- Intercept $55$: a student who studies $0$ hours is predicted to score $55$.
- Predict at $x=3$: $\hat{y} = 55 + 4(3) = 67$ points — safely inside the data range.
Para horas de estudio, $\hat{y} = 55 + 4x$ (puntuación predicha a partir de horas).
- Pendiente $4$: cada hora extra de estudio predice aproximadamente $4$ puntos más.
- Intersección $55$: un estudiante que estudia $0$ horas se predice que obtendrá $55$.
- Predecir en $x=3$: $\hat{y} = 55 + 4(3) = 67$ puntos —seguramente dentro del rango de los datos.
A least-squares regression line $\hat{y} = a + bx$ models a linear trend. The slope $b$ is the predicted change in $y$ per $1$-unit increase in $x$; the intercept $a$ is the predicted $y$ at $x=0$. Predict only within the data range — extrapolation beyond it is unreliable.
Una línea de regresión por mínimos cuadrados $\hat{y} = a + bx$ modela una tendencia lineal. La pendiente $b$ es el cambio predicho en $y$ por cada aumento de $1$ unidad en $x$; la interceptación $a$ es el valor predicho de $y$ cuando $x=0$. Predice únicamente dentro del rango de los datos — la extrapolación más allá de este rango no es fiable.
The least-squares line · La recta de mínimos cuadrados
The fitted line predicts y for any x within the data. · La recta ajustada predice y para cualquier x dentro de los datos.
For y-hat = 55 + 4x, predict the score when x = 3 hours. · Para y-hat = 55 + 4x, prediga la puntuación cuando x = 3 horas.
55 + 4(3) = 55 + 12 = 67.
In y-hat = 55 + 4x, what does the slope 4 mean? · En y-hat = 55 + 4x, ¿qué significa la pendiente 4?
Slope = predicted change in y per 1-unit increase in x. · Pendiente = cambio previsto en y por cada aumento de 1 unidad en x.
Using the model to predict far outside the observed range of x is called extrapolation, and it is unreliable. · Usar el modelo para predecir muy fuera del rango observado de x se llama extrapolación, y no es confiable.
Extrapolation is risky — the pattern may not continue. · La extrapolación es arriesgada: el patrón podría no continuar.
In y-hat = a + bx, the letter a is the y-. · En y-hat = a + bx, la letra a es la y-.
a is the y-intercept: predicted y when x = 0. · a es la intersección con el eje y: y previsto cuando x = 0.
Order the steps to predict a response from a regression equation. · Ordene los pasos para predecir una respuesta a partir de una ecuación de regresión.
Guard against extrapolation first, then compute and interpret. · Proteja contra la extrapolación primero, luego calcule e interprete.