Linear Regression Models · Modelos de Regressão Linear
| English | Português |
|---|---|
| regression line/rɪˈɡreʃn laɪn/ | reta de regressão |
| extrapolation/ekˈstræpəleɪʃn/ | extrapolação |
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.
Uma linha através da nuvem
- Quando um gráfico de dispersão parece linear, resume-o com uma linha de regressão 回归线.
- Escrevemos a resposta prevista como $\hat{y} = a + bx$ (o chapéu significa "previsto").
- $a$ é o intercepto-$y$, $b$ é a inclinação — a receita da linha.
- A linha nos permite prever $y$ a partir de qualquer $x$ e descrever a tendência com precisão.
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.
Lendo a inclinação
- A inclinação $b$ é a mudança prevista em $y$ para cada aumento de $1$ unidade em $x$.
- No contexto: "cada hora extra de estudo prevê cerca de $b$ pontos a mais."
- Seu sinal corresponde à direção da associação (positiva ou negativa).
- A inclinação é onde quase todo o crédito de interpretação reside no exame.
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.
Lendo o intercepto
- O intercepto $a$ é a $y$ prevista quando $x = 0$.
- Às vezes significativo ("nota base com zero de estudo"), às vezes não.
- Se $x = 0$ está longe dos dados, o intercepto é apenas um âncora matemática.
- Interprete-o no contexto — e seja honesto quando $x=0$ não faz 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.
Não extrapole
- Use a linha apenas dentro da faixa dos valores observados de $x$.
- Extrapolação 外推 — prever muito além dos dados — é confiável apenas se justificado.
- O padrão linear pode simplesmente não continuar lá fora.
- Um modelo que se ajusta a estudantes estudando $0$–$8$ horas nada diz confiávelmente 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 a inclinação como uma mudança prevista, não real: "cada hora extra está associada a cerca de $b$ pontos a mais," e não "causa." E nunca confie em uma previsão por extrapolação — inserir um valor de $x$ muito fora da faixa dos dados gera um número que os dados não podem sustentar, mesmo que a aritmética funcione.
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 estudo, $\hat{y} = 55 + 4x$ (ponto previsto a partir das horas).
- Inclinação $4$: cada hora extra de estudo prevê cerca de $4$ ponto a mais.
- Intercepto $55$: um estudante que estuda $0$ horas é previsto para obter nota $55$.
- Prever em $x=3$: $\hat{y} = 55 + 4(3) = 67$ pontos — com segurança dentro da faixa dos dados.
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.
Uma reta de regressão pelos mínimos quadrados $\hat{y} = a + bx$ modela uma tendência linear. A inclinação $b$ é a mudança prevista em $y$ por aumento de $1$ unidades em $x$; o intercepto $a$ é a previsão de $y$ quando $x=0$. Previna apenas dentro da faixa dos dados — extrapolação além dela é pouco confiável.
The least-squares line · A reta dos mínimos quadrados
The fitted line predicts y for any x within the data. · A reta ajustada prediz y para qualquer x dentro dos dados.
For y-hat = 55 + 4x, predict the score when x = 3 hours. · Para y-hat = 55 + 4x, preveja a pontuação quando x = 3 horas.
55 + 4(3) = 55 + 12 = 67.
In y-hat = 55 + 4x, what does the slope 4 mean? · Em y-hat = 55 + 4x, o que a inclinação 4 significa?
Slope = predicted change in y per 1-unit increase in x. · Inclinação = mudança prevista em y por aumento de 1 unidade em x.
Using the model to predict far outside the observed range of x is called extrapolation, and it is unreliable. · Usar o modelo para prever fora da faixa observada de x é chamado extrapolação, e é pouco confiável.
Extrapolation is risky — the pattern may not continue. · Extrapolação é arriscada — o padrão pode não continuar.
In y-hat = a + bx, the letter a is the y-. · Em y-hat = a + bx, a letra a é o y-.
a is the y-intercept: predicted y when x = 0. · a é o intercepto y: y previsto quando x = 0.
Order the steps to predict a response from a regression equation. · Ordene os passos para prever uma resposta a partir de uma equação de regressão.
Guard against extrapolation first, then compute and interpret. · Proteja-se contra extrapolação primeiro, depois compute e interprete.