Linear Regression Models · Modèles de Régression Linéaire
| English | Français |
|---|---|
| regression line/rɪˈɡreʃn laɪn/ | droite de régression |
| extrapolation/ekˈstræpəleɪʃn/ | extrapolation |
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.
Une ligne à travers le nuage
- Lorsqu'un nuage de points semble linéaire, le résumer avec une ligne de régression 回归线。
- Nous écrivons la réponse prédite comme $\hat{y} = a + bx$ (le chapeau signifie "prédit").
- $a$ est l'ordonnée à l'origine ($y$-intercept), $b$ est la pente — la recette de la ligne.
- La ligne nous permet de prédire $y$ à partir de n'importe quel $x$ et de décrire précisément la tendance.
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.
Lire la pente
- La pente $b$ est le changement prédit en $y$ pour chaque augmentation d'une unité de $1$ sur $x$.
- Dans le contexte : "chaque heure supplémentaire d'étude prédit environ $b$ points de plus."
- Son signe correspond à la direction de l'association (positive ou négative).
- La pente est là où vit presque toute la crédibilité de l'interprétation à l'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.
Lire l'ordonnée à l'origine
- L'ordonnée à l'origine $a$ est la $y$ prédite quand $x = 0$.
- Parfois significative ("note de base avec zéro étude"), parfois non.
- Si $x = 0$ est loin hors des données, l'ordonnée à l'origine n'est qu'un ancrage mathématique.
- Interprétez-la dans le contexte — et soyez honnête quand $x=0$ n'a aucun sens réel.
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.
N'extrapoler pas
- Utiliser la ligne uniquement dans la plage des valeurs observées de $x$.
- Extrapolation 外推 — prédire très loin au-delà des données — est peu fiable.
- Le motif linéaire peut simplement ne pas continuer là-bas.
- Un modèle qui s'adapte aux étudiants étudiant $0$–$8$ heures ne dit rien de fiable sur $40$ heures.
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.
Interprétez la pente comme une variation prédite, pas une variation réelle : « chaque heure supplémentaire est associée à environ $b$ points de plus », et non « cause ». Ne faites jamais confiance à une prédiction par extrapolation — insérer une valeur d'$x$ bien hors de la plage des données donne un nombre que les données ne peuvent pas soutenir, même si le calcul fonctionne.
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.
Pour les heures d'étude, $\hat{y} = 55 + 4x$ (score prédit à partir des heures).
- Pente $4$ : chaque heure supplémentaire d'étude prédit environ $4$ point de plus.
- Ordonnée à l'origine $55$ : un étudiant qui étudie $0$ heure est prédit pour obtenir un score de $55$.
- Prédire à $x=3$ : $\hat{y} = 55 + 4(3) = 67$ points — en toute sécurité dans la plage des données.
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.
Une droite de régression des moindres carrés $\hat{y} = a + bx$ modélise une tendance linéaire. La pente $b$ est la variation prédite de $y$ par augmentation d'une unité de $1$ dans $x$ ; l'ordonnée à l'origine $a$ est la valeur prédite de $y$ à $x=0$. Prédisez uniquement dans la plage des données — l'extrapolation au-delà est peu fiable.
The least-squares line · La droite des moindres carrés
The fitted line predicts y for any x within the data. · La droite ajustée prédit y pour tout x dans les données.
For y-hat = 55 + 4x, predict the score when x = 3 hours. · Pour ŷ = 55 + 4x, prédisez la note lorsque x = 3 heures.
55 + 4(3) = 55 + 12 = 67.
In y-hat = 55 + 4x, what does the slope 4 mean? · Dans ŷ = 55 + 4x, que signifie la pente 4 ?
Slope = predicted change in y per 1-unit increase in x. · Pente = changement prédit en y par augmentation de 1 unité en x.
Using the model to predict far outside the observed range of x is called extrapolation, and it is unreliable. · Utiliser le modèle pour prédire bien au-delà de la plage observée de x s'appelle l'extrapolation, et c'est peu fiable.
Extrapolation is risky — the pattern may not continue. · L'extrapolation est risquée — le motif pourrait ne pas continuer.
In y-hat = a + bx, the letter a is the y-___. · Dans ŷ = a + bx, la lettre a est l'ordonnée à l'origine en y.
a is the y-intercept: predicted y when x = 0. · a est l'ordonnée à l'origine en y : y prédit lorsque x = 0.
Order the steps to predict a response from a regression equation. · Classez les étapes pour prédire une réponse à partir d'une équation de régression.
Guard against extrapolation first, then compute and interpret. · Protégez-vous contre l'extrapolation d'abord, puis calculez et interprétez.