SAT en iyi uyum doğrusu: tahmin, artık değer, r ve r²

Digital SAT Math'teki iki değişkenli veri sorularının bir bölümü, bir scatterplot'a (serpilme grafiği) çizilmiş ya da denklemi verilmiş tek bir doğru üzerine kuruludur: en iyi uyum doğrusu (line of best fit). Bu sayfa o doğruyla ilgili soruları tek yerde topluyor: denklemi grafikten ya da tablodan kurmak, eğimi ve kesişimi yorumlamak, tahmin hesaplamak, artık değeri bulmak, tahminin veri aralığının içinde mi dışında mı kaldığını ayırmak, aykırı değerleri tanımak ve korelasyon katsayısı r ile r²'yi okumak. Her bölümde çözümlü bir örnek var.

Scatterplot okumanın genel adımları, soru türleri ve tempo için iki değişkenli veri rehberine; verinin doğrusal mı, üstel mi, kuadratik mi olduğuna karar vermek için model seçimi sayfasına bakabilirsiniz. Bu sayfa doğrusal modelin kendisine odaklanıyor.

En iyi uyum doğrusu nedir, soruda nasıl karşınıza çıkar?

İstatistikte en iyi uyum doğrusu denince çoğunlukla en küçük kareler regresyon doğrusu kastedilir. Her noktanın doğruya olan dikey uzaklığının karesi alınır; bu karelerin toplamını en küçük yapan doğru, en küçük kareler doğrusudur. Uzaklığın dikey ölçülmesinin nedeni şudur: her dikey uzaklık, noktanın gerçek y değeri ile doğrunun aynı x için verdiği y değeri arasındaki farktır. Bu farka artık değer denir ve aşağıda ayrı bir bölümde ele alınıyor.

Sınavda bu doğruyu elle hesaplamanız ya da çizmeniz beklenmez. Doğru grafikte çizili olarak, denklemiyle ya da şıklarda aday denklemler olarak verilir; sizden onu okumanız, kullanmanız ve yorumlamanız istenir. Hangi işin istendiği sorunun ilk cümlesinden anlaşılır:

• Modeli bulma: Soru “aşağıdaki scatterplot'a en iyi uyan doğrunun denklemi hangisidir?” diyorsa şıklardaki denklemleri grafikle karşılaştırırsınız: önce eğimin işareti, sonra kesişim (yalnızca x = 0 grafikte görünüyorsa grafikten okunur), en son bir kontrol noktası. Doğru grafikte çiziliyse üzerindeki bir noktayı denklemde deneyin; çizili değilse verinin ortasındaki bir x için her denklemin verdiği y'nin o x civarındaki noktaların arasına düşüp düşmediğine bakın. Tek bir veri noktasının denklemi tam olarak sağlaması beklenmez.
• Modeli kullanma: Soru “bu doğrunun x = 25 için öngördüğü y değeri nedir?” diyorsa model zaten elinizdedir; değeri denklemde yerine koyar ya da grafikten okursunuz.

İki durumda da doğrunun verdiği değer bir tahmindir: o x değerine sahip gözlemler için beklenen, yani ortalama y değeri. Tek bir gözlemin kesin değeri değildir. Noktalar doğrunun etrafına dağılmışsa, yani hepsi tek bir doğru üzerinde değilse (r ≠ ±1), doğru her noktadan geçmez; bu durumda “her nokta için tahmin edilen değer gerçek değere eşittir” diyen şık yanlıştır. Tek tek bazı noktalar yine de doğrunun tam üzerinde olabilir. Bütün noktalar tek bir doğrunun üzerindeyse (r = ±1) o cümle doğrudur; aşağıdaki sıcaklık tablosu böyle bir örnektir.

Grafikten doğrunun denklemini bulma

Denklem verilmemişse doğru beş adımda kurulur:

1. Eksenleri okuyun: Eksen başlıklarını, birimleri ve her eksenin nereden başladığını kontrol edin. Dikey eksen 0'dan değil de örneğin 50'den başlıyorsa kareleri saymayın; değerleri eksendeki sayılardan okuyun.
2. Kesişimi bulun: Kesişim, doğrunun x = 0'daki değeridir. Dikey eksen x = 0'da çiziliyse doğrunun o ekseni kestiği yer kesişimi verir. Dikey eksen x = 0'da değil de başka bir x değerinde çiziliyse (örneğin yatay eksen 10'dan başlıyorsa) doğrunun o eksenle kesiştiği yer kesişim değildir. Bu durumda önce eğimi bulun (4. adım), sonra doğru üzerindeki bir noktanın koordinatlarını y = mx + b'ye koyup b'yi çözün: b = y₁ − m·x₁.
3. İki nokta seçin: Doğrunun üzerinde, ızgara çizgilerine denk gelen iki nokta seçin. Bunlar veri noktaları değil, doğru üzerindeki noktalar olmalı.
4. Eğimi hesaplayın: eğim = (y₂ − y₁) / (x₂ − x₁). Doğru (2, 14) ve (5, 23) noktalarından geçiyorsa Δy = 9, Δx = 3 ve eğim = 3'tür. Birimini de not edin: x'in her birimi başına y birimi.
5. Şıklarla karşılaştırın: Bulduğunuz eğimi ve kesişimi şıklarla eşleştirin; birimi uyuşmayan seçenekleri eleyin.

Eksenlerin farklı aralıklarla çizilmesi doğrunun ne kadar dik göründüğünü değiştirir, eğimi değiştirmez. Dik görünen bir doğrunun eğimi küçük, yatık görünen bir doğrunun eğimi büyük olabilir. Eğim yalnızca doğru üzerindeki noktaların gerçek koordinatlarından hesaplanır.

Örnek: iki noktadan denklem

Bir scatterplot'ta haftalık çalışma saati (x) ile sınav puanı (y) arasındaki ilişki gösterilmiş; en iyi uyum doğrusu (0, 50) ve (20, 80) noktalarından geçiyor. Eğim = (80 − 50) / (20 − 0) = 30 / 20 = 1,5. Doğru x = 0'da 50'den geçtiği için kesişim 50'dir ve model y = 1,5x + 50 olur. Haftada 12 saat çalışan bir öğrenci için tahmin edilen puan y = 1,5(12) + 50 = 68'dir.

Kesişimi hesaplamadan tahmin

Kesişim ekranda görünmüyorsa denklemin tamamını kurmak şart değildir. Doğru x = 2'de y = 20, x = 8'de y = 80 noktasından geçiyorsa eğim = (80 − 20) / (8 − 2) = 60 / 6 = 10'dur. x = 5 için bilinen noktadan yola çıkılır: y = 20 + (5 − 2) × 10 = 50.

Tablodan doğru kurma

Bir deneyde beş farklı sıcaklıkta bir kimyasal tepkimenin tamamlanma süresi ölçülmüş:

Sıcaklık her 10 derece arttığında süre 4 dakika azalıyor. Birinci farklar sabit (−4) olduğu için ilişki doğrusaldır ve eğim = −4 / 10 = −0,4 dakika/°C'dir. Aynı sonuç iki uç noktadan tek adımda çıkar: (22 − 6) / (10 − 50) = 16 / −40 = −0,4. Kesişim x = 0 dışındaki bir noktadan bulunur: x = 10'da y = 22 olduğundan 22 = (−0,4)(10) + b, yani b = 22 + 4 = 26. Model: y = 26 − 0,4x. 25°C için tahmin: y = 26 − 0,4(25) = 26 − 10 = 16 dakika.

Eğim ve kesişim nasıl yorumlanır?

Eğim, x bir birim arttığında modelin tahmin ettiği y'nin ne kadar değiştiğini söyler. y = 1,5x + 50 modelinde her ek çalışma saati için tahmin edilen puan 1,5 artar. Doğru noktaların hepsinden geçmediği için doğru yorum “tahmin edilen” ya da “ortalama olarak” ifadesini taşır; “her öğrencinin puanı tam 1,5 artar” diyen yorum yanlıştır.

Soru birden fazla birimlik değişimi sorabilir: “Bu doğrunun eğimi 2,3 olduğuna göre, x 10 birim arttığında doğrunun tahmin ettiği y değeri kaç birim artar?” Cevap 2,3 × 10 = 23'tür. Aynı mantıkla, haftalık çalışma süresi 4 saat daha fazla olan bir öğrencinin tahmin edilen puanının ne kadar yüksek olacağı sorulursa eğim 4 ile çarpılır.

Eğim bir ilişkiyi tarif eder, bir nedeni değil. “Çalışma saati daha fazla olan öğrenciler için tahmin edilen puan daha yüksektir” veriden çıkar; “çalışma saati puanı artırır” çıkmaz. Bu ayrımın ne zaman kalktığını korelasyon ve nedensellik sayfası anlatıyor.

Kesişim, x = 0 iken modelin tahmin ettiği y değeridir. Yukarıdaki y = 1,5x + 50 modelinde kesişim 50'dir: haftalık çalışma saati sıfırken tahmin edilen puan 50'dir. Ancak veri setinde x = 0 civarında gözlem yoksa bu değer yalnızca matematiksel bir uzantıdır.

Bu uyarı cevabı ne zaman değiştirir? Soru kesişimin yorumunu soruyorsa cevap yine “x = 0 iken modelin tahmin ettiği y”dir; burada, hiç çalışmayan bir öğrenci için tahmin edilen puan 50'dir. “x = 0 gerçekte var mı, veri bu bölgeyi kapsıyor mu?” kontrolü yalnızca soru bu değerin anlamlı ya da güvenilir olup olmadığını sorduğunda cevabı belirler.

Kesişimi y değerlerinin ortalamasıyla da karıştırmayın. Ortalama, verilerin merkezini gösterir; kesişim ise modelin x = 0'daki tahminidir. Soru “ortalama y değeri nedir” diyorsa noktaların y değerleri toplanıp nokta sayısına bölünür; “modelin y-kesişimi nedir” diyorsa denklemde x yerine 0 konur.

Tahmin: denklemde yerine koyma

Soru belirli bir x için modelin tahminini istiyorsa cevap doğrunun o x'teki değeridir, aynı x'teki veri noktasının değeri değil. Kökte “tahmin edilen”, “öngörülen” ya da “predicted” geçmesi tek başına yetmez: gözlenen değerle tahmin arasındaki farkı soran bir sorunun cevabı artıktır. Tahmin hesabı, x'i denklemde yerine koymaktır:

Şıklar birbirine yakın olduğunda, örneğin 18,7; 19,2; 19,8 ve 20,1 gibi, grafikten göz kararı okumak yetmez; değeri denklemden tam hesaplayın. Bluebook'taki Desmos hesap makinesine denklemi yazıp x değerini yerine koymak hesabı hızlandırır.

Ters soru: y verildiğinde x'i bulmak

Tahmin tersinden de sorulabilir: “Modele göre y = 75 olan x değeri nedir?” Grafikte y = 75 hizasından yatay bir çizgi çekilir ve bu çizginin doğruyu kestiği noktanın x değeri okunur. Denklem verilmişse y yerine 75 yazılıp x çözülür. Tahmin tablosundaki 12 öğrencilik verinin modeliyle (y = 2,5x + 55): 75 = 2,5x + 55, 2,5x = 20 ve x = 8'dir; modele göre 75 notu, haftada 8 saatlik çalışmaya karşılık gelir. Desmos'ta y = 75 doğrusunu çizip model doğrusuyla kesişimine bakmak da aynı sonucu verir.

Artık değer: gerçek eksi tahmin

Artık değer (residual), bir noktanın gerçek y değeri ile modelin aynı x için tahmin ettiği y değeri arasındaki farktır:

artık = gerçek (gözlenen) y − tahmin edilen y

• Nokta doğrunun üstündeyse artık pozitiftir: gerçek değer tahminden büyüktür, model o noktada eksik tahmin yapmıştır.
• Nokta doğrunun altındaysa artık negatiftir: model o noktada fazla tahmin yapmıştır.
• Nokta tam doğrunun üzerindeyse artık sıfırdır.

İşareti belirleyen noktanın doğruya göre konumudur; x'in büyük ya da küçük olmasıyla ilgisi yoktur. Akılda tutmak için: pozitif artık = pozitif fark = nokta yukarıda, çünkü gözlenen değer modelin tahmininden büyüktür.

Üçüncü satır, tahmin tablosundaki 12 öğrencilik verinin modelini kullanır. Bağlamıyla okunursa: haftada 4 saat çalışan ve 68 alan öğrenci, modelin öngördüğünden 3 puan daha yüksek not almıştır. Aynı modelde 6 saatin tahmini 70'tir, 65 değil; artık her zaman noktanın kendi x değeriyle hesaplanır. Son satırdaki sıcaklık tablosunda birinci farklar tam sabit olduğu için beş noktanın hepsi doğrunun üzerindedir ve r = −1'dir. Gerçek veride noktalar doğrunun iki yanına dağılır.

Doğruya en yakın nokta ve İngilizce kökler

“Hangi nokta doğruya en yakındır?” sorusunda cevap, mutlak değeri en küçük artığa sahip noktadır. Şıklarda sayısal artıklar verilmişse işarete değil mutlak değere bakılır. Aynı fikir İngilizce kökte iki yönde sorulur: “which point has the largest positive residual” doğrunun en çok üstünde kalan noktayı, “which point lies farthest below the line” ise mutlak değeri en büyük negatif artığa sahip noktayı arar. Örneğin artıkları −1, −4 ve +2 olan üç noktadan cevap, artığı −4 olandır.

Artıkların toplamı neden sıfırdır?

En küçük kareler doğrusu, artıkların karelerinin toplamını en küçük yapan doğrudur. Bunun bir sonucu olarak artıkların toplamı sıfırdır ve doğru (x̄, ȳ), yani ortalama noktası üzerinden geçer. Bu sonucun sınavdaki karşılığı şudur: artıkların hepsi pozitif ya da hepsi negatif olamaz; noktaların hepsi doğrunun üzerinde değilse bir kısmı doğrunun üstünde, bir kısmı altında kalır. Noktaların hepsini doğrunun bir yanında bırakan bir doğru en küçük kareler doğrusu olamaz. Yalnızca ilk ve son noktadan geçirilen bir doğru da ortadaki noktaları bir tarafa yığabilir; iyi bir uyum doğrusu noktaların arasından geçer.

Toplamın sıfır olması modelin iyi olduğunu göstermez. Ortalama noktasından geçen her doğrunun artıklarının toplamı sıfırdır; eğrisel bir veriye uydurulmuş yetersiz bir doğrunun artıklarının toplamı da sıfırdır. Modelin yeterli olup olmadığını artıkların x boyunca nasıl sıralandığı söyler; artık grafiğini okumak model seçimi sayfasının konusu.

Veri aralığı: interpolasyon ve ekstrapolasyon

Tahmin için kullanılan x değeri verinin kapsadığı aralığın içindeyse yapılan tahmin interpolasyon, dışındaysa ekstrapolasyondur. Veri setinde x değerleri 5 ile 25 arasındaysa x = 15 için tahmin interpolasyon, x = 35 için tahmin ekstrapolasyondur. Aralığın dışında modelin davranışına dair veri yoktur; ilişki orada değişebilir, zayıflayabilir ya da yön değiştirebilir.

Bu bir uyarıdır, hesabı reddetmek için bir gerekçe değil. Soru modelin tahminini istiyorsa değer hesaplanır ve cevap odur. Veri aralığı yalnızca soru tahminin güvenilirliğini sorduğunda cevabı belirler.

Örnek: makine sayısı ve üretim

Bir araştırmacı, makine sayısı 4 ile 20 arasında değişen 15 fabrikada makine sayısı (x) ile günlük üretim miktarı (y) arasındaki ilişkiyi incelemiş ve regresyon doğrusunu y = 12,5x + 85 olarak bulmuş.

• 25 makine için tahmin: y = 12,5(25) + 85 = 312,5 + 85 = 397,5. x = 25 veri aralığının (4–20) dışında kaldığı için bu bir ekstrapolasyondur. Soru modelin tahminini istiyorsa cevap 397,5'tir.
• 15 makine için tahmin: y = 12,5(15) + 85 = 187,5 + 85 = 272,5. x = 15 aralığın içindedir; bu bir interpolasyondur ve veriyle desteklenir.

Güvenilirlik sorusu “açıklayın” diye açık uçlu gelmez; kökü tahminin değerini değil güvenilirliğini sorar ve doğru ifadeyi şıklar arasından seçtirir. Örneğin veri 5 ile 25 arasındayken “Aşağıdakilerden hangisi modelin x = 40 için verdiği tahminin güvenilirliği hakkında doğrudur?” diye sorulursa doğru şık, x = 40 veri aralığının dışında kaldığı için tahminin güvenilir olmayabileceğini söyleyen şıktır.

Aralığın içinde yoğunluğa da bakın

Aralığın içinde kalmak her bölgede aynı güveni vermez. Çalışma saati ile notu gösteren bir scatterplot'ta noktalar x ekseninde 2 ile 10 saat arasında yoğunlaşmış, 10 saatten sonra seyrekleşmiş olsun; 15 saatin ötesinde ise neredeyse hiç nokta bulunmasın. x = 8 için yapılan bir tahmin yoğun bölgede olduğu için veriyle daha iyi desteklenir ve x = 12 için yapılandan daha güvenilirdir; x = 12 veri aralığının içinde kalsa bile seyrek bölgededir. Tahminin ne kadar isabetli olacağı ise yine noktaların doğru etrafındaki dağılımına bağlıdır: noktalar doğrunun çevresine geniş dağılmışsa yoğun bölgedeki tahmin de kaba kalır.

Korelasyon katsayısı r: yön ve güç

Korelasyon katsayısı r, iki değişken arasındaki doğrusal ilişkinin yönünü ve gücünü ölçer. −1 ile +1 arasında, birimsiz bir sayıdır.

• İşaret yönü verir: r pozitifse x artarken y artma, negatifse azalma eğilimindedir. En küçük kareler doğrusunun eğimi ile r'nin işareti her zaman aynıdır.
• Mutlak değer gücü verir: |r| 1'e yaklaştıkça noktalar doğrunun etrafında daha sıkı toplanır, 0'a yaklaştıkça dağınıklaşır. r = −0,8 ile r = +0,8 aynı güçtedir; fark yöndür. r = 1 ya da r = −1 ise bütün noktalar doğrunun üzerindedir.
• r = 0, ilişki yok demek değildir: yalnızca doğrusal ilişki olmadığını söyler. U biçimli bir veri kümesinde değişkenler güçlü biçimde ilişkili olduğu hâlde r sıfıra yakın çıkabilir.

r = 0,87 gibi bir değer verilirse doğru yorum, güçlü bir pozitif doğrusal ilişkidir: noktalar pozitif eğimli bir doğrunun etrafında sıkı toplanmıştır. Grafik de verilmişse r'nin işaretinin ve yaklaşık büyüklüğünün noktaların dağılımıyla uyuştuğunu kontrol edin.

r eğim değildir

r ile eğim farklı şeyleri ölçer. r, noktaların doğrunun etrafına ne kadar sıkı dizildiğini söyler; eğim, x'teki bir birimlik artışa karşılık tahmin edilen y'nin ne kadar değiştiğini. r −1 ile +1 arasında sınırlı ve birimsizdir; eğim değişkenlerin birimlerine bağlıdır ve herhangi bir büyüklükte olabilir. Bu yüzden 45 derecelik açıyla yükselen bir doğru ile 10 derecelik açıyla yükselen bir doğru aynı r değerine sahip olabilir. Eksenlerin ölçeğini değiştirmek grafiğin görünüşünü değiştirir, r'yi değiştirmez.

Soru kökünde “which value could be the slope” geçiyorsa denklemdeki eğim aranıyordur, r değil; korelasyonun gücüne bakarak eğimin büyüklüğüne karar verilemez. İki kural şıkları hızla eler: eğimin işareti r'nin işaretiyle aynı olmalıdır ve r'nin mutlak değeri 1'den büyük olamaz. Bir şıkta eğimle r'nin işaretleri birbirine tersse o şık kendi içinde çelişkilidir.

r²: modelin açıkladığı değişkenlik

r², korelasyon katsayısının karesidir ve 0 ile 1 arasında değer alır. Anlamı, y'deki değişkenliğin ne kadarının x'e dayanan doğrusal model tarafından açıklandığıdır. Bir çalışmada r² = 0,64 bulunmuşsa model, yani x değişkeni, y'deki değişkenliğin yüzde 64'ünü açıklar; kalan yüzde 36 modelin açıklamadığı kısımdır.

• Yüzdeye doğru çevirin: r² = 0,81 ise model y'deki değişkenliğin yüzde 81'ini açıklar; yüzde 0,81'ini değil.
• Doğru değişkene bağlayın: açıklanan, y'nin değişkenliğidir. Sıcaklık ile dondurma satışları arasında r² = 0,64 ise doğru yorum “satışlardaki değişkenliğin yüzde 64'ü sıcaklıkla açıklanır” olur. Yüzdeyi x'in değişkenliğine ya da “verinin yüzde 64'üne” bağlayan şıklar yanlıştır.
• r² yönü söylemez: r = 0,9 iken de r = −0,9 iken de r² = 0,81'dir; iki model aynı uyum gücüne sahiptir, yalnızca ilişkinin yönü farklıdır. r = −0,7 ise r² = 0,49 olur ve model y'deki değişkenliğin yüzde 49'unu açıklar. İlişkinin negatif olduğunu r² değil, eğim ya da r'nin işareti söyler.
• Model karşılaştırması: Aynı veriye kurulmuş iki modelin r² değerleri verilirse daha yüksek r² daha iyi uyum demektir.
• Düşük r² tek başına yanlış model demek değildir: doğru model türü seçilmiş olsa bile verideki dağılım büyükse r² düşük çıkabilir.

Yüksek bir r² de tahmini veri aralığının dışında güvenilir kılmaz; r² yalnızca verinin kapsadığı aralıktaki uyumu ölçer.

Aykırı değerler ve yüksek kaldıraçlı noktalar

Aykırı değer (outlier), modelin genel eğilimine, yani diğer noktaların oluşturduğu örüntüye uymayan noktadır. Her uzak nokta aykırı değildir; grafikte en uçta duran noktayı otomatik olarak aykırı saymak yaygın bir hatadır. Bir nokta için iki ayrı soru sorun: x ekseninde uçta mı ve diğer noktaların eğilimine uyuyor mu?

• Yüksek kaldıraçlı (uç) nokta: x değeri diğer gözlemlerden belirgin biçimde uzakta olan noktadır. x ekseninin uçlarındaki noktalar doğruyu daha güçlü çeker, çünkü kaldıraç etkisi taşırlar. Böyle bir nokta diğer noktaların oluşturduğu eğilimin uzantısı üzerindeyse ilişkiyi destekler ve modeli güçlendirir; bu uzantıdan uzaksa doğruyu kendine doğru eğer ve modeli bozar. Bu ikinci durumda nokta hem yüksek kaldıraçlı hem aykırıdır.
• Aykırı değer: x ekseninin neresinde olursa olsun, eğilimden belirgin biçimde uzak duran noktadır. Örneğin x'i ortalama civarında ama y'si eğilimden çok uzak bir nokta aykırı değerdir; artığı büyüktür. Böyle bir nokta eğimi pek değiştirmez: doğruyu yukarı ya da aşağı kaydırır (kesişimi değiştirir) ve |r|'yi düşürür.

Bir noktanın çıkarılması durumunda ne olacağını soran sorularda kural şudur:

• Eğilime uymayan bir aykırı değer çıkarılırsa korelasyon genellikle güçlenir: |r| büyür ve doğru kalan noktalara daha iyi oturur.
• Eğilime uyan uç (yüksek kaldıraçlı) bir nokta çıkarılırsa korelasyon genellikle zayıflar, çünkü o nokta ilişkiyi destekliyordu.
• Hem uçta hem eğilimden uzak bir nokta çıkarılırsa kesin olan etki doğru üzerindedir: doğru o noktadan uzaklaşır ve eğim diğer noktaların eğilimine döner.

Noktanın eğilime uyup uymadığına, çizili doğruya olan uzaklığına bakarak değil, diğer noktaların oluşturduğu örüntüye bakarak karar verin: o nokta olmasaydı doğru nerede olurdu? x'te uçta duran bir nokta doğruyu kendine doğru çeker; bu yüzden eğilime uymasa bile artığı küçük görünebilir. Örneğin on beş noktanın on dördü düzgün bir pozitif ilişki gösterirken x'i ortalama civarında olan tek bir nokta eğilimin çok altında duruyorsa, o nokta çıkarıldığında r büyür, eğim ise pek değişmez. Eğimi asıl uçlardaki noktalar değiştirir: sağ uçta eğilimin altında kalan bir nokta doğrunun sağ ucunu aşağı çeker, çıkarıldığında eğim artar. Böyle bir soru sizden noktayı çıkarıp yeniden hesap yapmanızı istemez; “bu nokta çıkarılırsa eğim ya da r nasıl değişir?” ya da “bu nokta regresyon doğrusunu nasıl etkiler?” gibi bir kökle gelir ve etkiyi şıklar arasından seçtirir.

Kısa kontrol listesi: r, r² ve aykırı değer

Eğim, tahmin, artık işareti ve veri aralığıyla ilgili genel hata listesi iki değişkenli veri rehberinde yer alıyor.

Sıkça Sorulan Sorular