Linear Regression Models · 线性回归模型
| English | 中文 | Pinyin · 拼音 |
|---|---|---|
| regression line/rɪˈɡreʃn laɪn/ | 回归线 | huí guī xiàn |
| extrapolation/ekˈstræpəleɪʃn/ | 外推 | wài tuī |
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.
穿过点云的一条线
- 当散点图看起来是线性的，就用一条回归线来概括它。
- 我们把预测的响应写成 $\hat{y} = a + bx$（帽子表示“预测的”）。
- $a$ 是 $y$ 轴截距，$b$ 是斜率——这就是这条线的配方。
- 这条线让我们能从任意 $x$ 预测 $y$，并精确地描述趋势。
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.
解读斜率
- 斜率 $b$ 是 $x$ 每增加 $1$ 个单位，$y$ 的预测变化量。
- 结合语境：“每多学一个小时，预测多得大约 $b$ 分。”
- 它的符号与关联的方向一致（正或负）。
- 在考试里，几乎所有的解释分都落在斜率上。
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.
解读截距
- 截距 $a$ 是当 $x = 0$ 时预测的 $y$。
- 有时有意义（“零学习时间的基线分数”），有时没有。
- 如果 $x = 0$ 远在数据之外，截距就只是一个数学上的锚点。
- 结合语境解读它——当 $x=0$ 没有现实意义时，就要如实说明。
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.
不要外推
- 只在观测到的 $x$ 值范围之内使用这条线。
- 外推——预测远超数据的范围——是不可靠的。
- 那个线性模式在外面可能根本就不再延续。
- 一个拟合学习 $0$–$8$ 小时学生的模型，对 $40$ 小时没有任何可信的话可说。
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.
把斜率解读为预测的变化，而不是实际的变化：“每多一个小时伴随着大约多 $b$ 分”，而不是“导致”。并且永远不要相信来自外推的预测——代入一个远在数据范围之外的 $x$，即使算术成立，也会得到数据无法支撑的数字。
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.
对学习时间，$\hat{y} = 55 + 4x$（由小时数预测分数）。
- **斜率 $4$：**每多学一个小时，预测多得大约 $4$ 分。
- **截距 $55$：**学习 $0$ 小时的学生被预测得 $55$ 分。
- 在 $x=3$ 处预测：$\hat{y} = 55 + 4(3) = 67$ 分——安全地位于数据范围之内。
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.
最小二乘回归线 $\hat{y} = a + bx$ 为线性趋势建模。斜率 $b$ 是 $x$ 每增加 $1$ 个单位时 $y$ 的预测变化量；截距 $a$ 是 $x=0$ 时预测的 $y$。只在数据范围之内预测——超出范围的外推是不可靠的。
The least-squares line · 最小二乘直线
The fitted line predicts y for any x within the data. · 拟合直线可为数据范围内的任意 x 预测 y。
For y-hat = 55 + 4x, predict the score when x = 3 hours. · 对 y-hat = 55 + 4x，当 x = 3 小时时预测分数。
55 + 4(3) = 55 + 12 = 67. · 55 + 4(3) = 55 + 12 = 67。
In y-hat = 55 + 4x, what does the slope 4 mean? · 在 y-hat = 55 + 4x 中，斜率 4 是什么意思？
Slope = predicted change in y per 1-unit increase in x. · 斜率 = x 每增加 1 个单位时 y 的预测变化量。
Using the model to predict far outside the observed range of x is called extrapolation, and it is unreliable. · 用模型预测远在 x 观测范围之外的值叫外推，而且它不可靠。
Extrapolation is risky — the pattern may not continue. · 外推有风险——那个模式可能不再延续。
In y-hat = a + bx, the letter a is the y-___. · 在 y-hat = a + bx 中，字母 a 是 y 轴 ___。
a is the y-intercept: predicted y when x = 0. · a 是 y 轴截距：x = 0 时预测的 y。
Order the steps to predict a response from a regression equation. · 把用回归方程预测响应值的步骤排序。
Guard against extrapolation first, then compute and interpret. · 先防外推，再计算与解释。