学习单元 2 · 线性回归

课程二 · 预计学习约两小时

注记试教课程

先修要求:具备课程一中的脚本运行、数据表查看、均值计算和散点图阅读技能。无需学过回归。这是课程 2,学习单元 2,并非课程 1,学习单元 1 之后应立即学习的内容。

我们要回答什么问题

一个小班的学习时数与测验成绩如何一起变化?我们将拟合直线、计算两个预测值,并解释结果的局限。重点是读懂模型,而不是证明增加学习时间一定导致某个幅度的进步。

完成本课后,你应能够:

  • 识别公式中的结果变量和预测变量,并拟合简单模型。
  • 使用原始单位解释斜率与预测值。
  • 修改分析样本,并说明为何拟合的相关关系不足以证明因果关系。

下载完整的本地起始脚本。它包含与课程 1,学习单元 1 相同的 12 条虚构课堂记录,无需下载数据或安装额外的包,可从任意文件夹运行。请在新的 R 会话中从头运行。在编辑器中交互运行时,绘图代码块会显示图形。

从观测出发

结果变量是 quiz_score,单位为分,范围为 0–100。预测变量是 study_hours,单位为小时。“预测变量”指模型的输入,并不意味着它一定导致结果。一行对应一位虚构学习者。

head(classroom, 4)
  learner_id study_hours quiz_score
1          1           1         48
2          2           2         55
3          3           2         51
4          4           3         62

拟合前,先预测两者关系的方向,再在编辑器中运行以下绘图代码:

plot(classroom$study_hours, classroom$quiz_score)

同伴活动,10 分钟:描述关系方向,找出两位学习时数相同但成绩不同的人,并说明为何一条直线无法穿过每个点。学习 4 小时的两条成绩是 68 和 63,这已表明仅靠学习时间无法描述所有差异。

拟合并阅读直线

简单线性回归用截距和斜率描述结果。截距确定直线在零小时处的水平,斜率描述学习时间相差一小时,预测成绩相差多少。R 选择使观测成绩与拟合成绩之间的垂直差值平方和最小的直线。

score_model <- lm(quiz_score ~ study_hours, data = classroom)
coef(score_model)
(Intercept) study_hours 
  40.736842    6.315789 

从左往右阅读公式:quiz_score 是结果变量,~ 将它与预测变量分开,study_hours 是预测变量。data = classroom 告诉 R 到哪张表中查找这些列。<- 将拟合模型保存在 score_model 下,coef() 显示系数。

拟合关系近似为:

预测成绩 = 40.74 + 6.32 × 学习时数。

在这些构造的记录中,多一小时学习时间与预测成绩约多 6.32 分相关。截距约为 40.74,是零小时处的拟合值。样本中没有零小时观测,因此不应将它描述为实际观察到的零小时成绩。

解释斜率

我们用 12 位虚构学习者的记录,根据学习时间(单位:小时)预测测验成绩(单位:分,范围为 0 至 100)。拟合线为:

预测成绩 = 40.74 + 6.32 × 学习时数

以下哪种说法正确解释了斜率 6.32?

请选择一个答案。

引导练习,10 分钟:指出公式中的结果变量、预测变量与数据表。解释使用另一张表时应修改哪里,分析另一个结果时应修改哪里。暂不加入其他变量。

查看拟合关系

十二个点展示学习时数与测验成绩之间的正向关系。拟合直线概括了这一模式,各观测点分布于线的上方或下方。
图 1: 虚构课堂中的观测成绩与拟合直线。

点代表实际记录的成绩,直线表示拟合成绩。一个点可能位于线的上方或下方。观测成绩与拟合成绩的垂直差异称为残差。残差提醒我们:模型是汇总,而不是对每个个体的完整描述。

讨论:如果所有点都恰好落在直线上,是否就能证明因果效应?请解释:即使完美描述了这些记录,为何仍无法据此知道记录如何产生,或干预会带来什么结果?

先预测,再核对

运行前,先预测哪一个拟合成绩更高,以及高多少。newdata 提供需要预测的输入,其列名必须与模型中的预测变量相同。

predict(score_model, newdata = data.frame(study_hours = c(3, 4)))
       1        2 
59.68421 66.00000 

学习 3 小时的预测成绩约为 59.68 分,4 小时为 66 分。差异约为 6.32 分,与斜率一致。4 小时的两条原始成绩是 68 和 63,并不恰好等于 66。

解释预测值

使用拟合模型,预测学习时间为 4 小时时的成绩:

predict(score_model,
        newdata = data.frame(study_hours = 4))
# 预测成绩:66 分

实际学习了 4 小时的两位学习者,成绩分别是 68 分和 63 分。

预测值 66 代表什么?

请选择一个答案。

动手练习,10 分钟:预测学习 2 小时与 5 小时的成绩,解释拟合预测与实际观测的差别。再考虑 20 小时:它远超观测到的 1–7 小时范围,将直线延伸到那里需要额外且未经支持的假设。

能得出什么结论

拟合直线概括的是所提供变量与记录中的相关关系,并未说明该模式为何出现。在真实研究中,原有基础可能同时影响学习时间与测验成绩。学习者也可能根据预期难度选择投入多少时间。

本例数据明确是虚构的。较小的标准误或 p 值不会把它们变成关于真实学生的研究证据。我们练习的是代码与解释。后续因果推断课程会讨论:回答因果问题还需要怎样的研究设计与假设。

评估因果结论

这 12 位学习者的记录是为教学构造的,拟合回归的斜率为正。有人据此得出结论:“让学生增加学习时间,就能提高他们的成绩。”

以下哪些理由说明,这个回归不能确立上述因果结论?

请选择所有正确选项。

核对模型回答的问题

原模型根据学习时间预测测验成绩。比较下面两个公式:

# 原模型
lm(quiz_score ~ study_hours, data = classroom)

# 反转后的公式
lm(study_hours ~ quiz_score, data = classroom)

使用反转后的公式,模型预测的是什么?

请选择一个答案。

如果出现 object 'quiz_score' not found,请检查 names(classroom) 和 data 参数。如果预测时提示缺少 study_hours,请核对 newdata 中的列名。如果脚本只有在先运行其他代码后才有效,请重启 R,再从下载脚本的第一行开始运行。

独立任务

预留 20 分钟。使用提供的记录,不修改其数值。

  1. 预测学习 5 小时的成绩,并注明单位。
  2. 使用同一公式,但仅保留 study_hours <= 5 的学习者。运行前,预测斜率是否一定保持不变。
  3. 比较两个斜率,并解释为什么改变观测记录可能改变拟合关系。
  4. 写两句话,一句描述全样本相关关系,一句说明局限。避免声称多学一小时一定导致成绩提高 6.32 分。
提示

使用 predict(score_model, newdata = data.frame(study_hours = 5))。筛选后的 base R 表格可写为 classroom[classroom$study_hours <= 5, ];逗号后留空表示保留所有列。保留全样本模型的原名称。

参考答案
predict(score_model, newdata = data.frame(study_hours = 5))
       1 
72.31579 
score_model_small <- lm(
  quiz_score ~ study_hours,
  data = classroom[classroom$study_hours <= 5, ]
)
coef(score_model_small)
(Intercept) study_hours 
  41.321429    6.107143 

预测值约为 72.32 分。限制样本后的斜率约为每小时 6.11 分,而非 6.32。改变样本后,拟合系数不必保持不变。两种拟合都不能视为对真实总体的经验发现。

一种合适的表述是:“在虚构的课堂记录中,多一小时报告的学习时间与预测成绩约多 6.32 分相关。这些构造的观测不能证明因果效应,也不描述真实总体。”

回顾与离堂问题

公式指定问题,拟合直线概括关系,预测值给出直线上的一个点。应保留单位、查看观测,并区分描述性关系与因果论断。

离堂问题:同学说:“R 预测学习 4 小时可得 66 分,所以让所有人学习 4 小时就能保证得到 66 分。”请指出这句话中两个不同的问题。

课后保存修改后的脚本和简短解释。教材的独立回归章节仍在规划中;本试教课程已包含完成活动所需的解释。

返回课程地图 · 教学提示