Phương Pháp Luận

Hồi quy tuyến tính tìm ra đường thẳng "phù hợp nhất" đi qua đám mây dữ liệu để mô tả mối quan hệ giữa các biến.

$y = \beta_0 + \beta_1x + \epsilon$
$\beta_1$ Hệ số góc

Mức thay đổi của Y khi X tăng 1 đơn vị.

$\beta_0$ Hệ số chặn

Giá trị nền tảng của Y khi X = 0.

$R^2$ Độ chính xác

% biến thiên của Y được giải thích bởi X.

Nhà Máy Ô Tô

Dự báo Chi phí Điện năng
Độ Tin Cậy Cao
Chi Phí = 0.409 + 0.499 × Sản Lượng
Sức Mạnh ($R^2$):
80.2%
  • Ý nghĩa Hệ số góc (0.499):
    Mỗi khi sản lượng tăng thêm 1 triệu đô, chi phí điện sẽ tăng thêm 0.499 triệu kWh.
  • Khoảng Tin Cậy 99%:
    Chúng ta tin tưởng 99% rằng mức tăng thực sự nằm trong khoảng (0.251, 0.747).

Sông Nile

Dự báo Lưu lượng Nước
Rất Chính Xác
Tháng 2 = -0.470 + 0.836 × Tháng 1
Sức Mạnh ($R^2$):
87.1%
  • Mối quan hệ Nhân quả:
    Dòng chảy tháng trước có ảnh hưởng cực lớn đến tháng sau. Tăng 1 tỷ $m^3$ tháng 1 dẫn đến tăng 0.836 tỷ $m^3$ tháng 2.
  • Ứng dụng:
    Mô hình đủ tin cậy để quản lý đập thủy điện và tưới tiêu nông nghiệp.

Thể Chất Quân Đội

Chống Đẩy vs Chạy Bền
Cảnh Báo
Thời Gian = 1078.3 - 3.254 × Chống Đẩy
Sức Mạnh ($R^2$):
32.3%
  • Cảnh báo Chiến lược:
    Số lần chống đẩy chỉ giải thích được 32.3% khả năng chạy bền.
  • Kết luận:
    Mô hình yếu. Không nên dùng số lần chống đẩy để đánh giá sức bền tổng thể. Cần thêm biến số khác (cân nặng, dung tích phổi...).

Tổng Kết Hiệu Suất

🌊 87.1% Sông Nile
Rất Tốt
🏭 80.2% Nhà Máy
Tốt
🏃 32.3% Thể Chất
Yếu

Bài học: Luôn kiểm tra hệ số $R^2$ trước khi ra quyết định. Một mô hình hồi quy hợp lệ về mặt toán học vẫn có thể vô dụng về mặt thực tiễn nếu sức mạnh dự báo quá thấp.