Sammenhæng mellem data, på hvilken måde?

Umiddelbart ville jeg aldrig mene du skal tvinde din graf nogle steder hen.
Jeg ville altid få skitseret den bedst egnede graf over dine data, og så kan du bageftr kommentere hvor godt den passer og ikke passer, og hvorfor den nu gør/ ikke gør det.

Personligt er jeg helt enig, meen synes nogle gange andre gør noget andet

dem peger du fingre af og eventuelt viser tænder

Hehe ok så

Ja, man skal aldrig tvinge en graf til at gå gennem origo, ej heller skal man medregne origo i en evt. regression. Man bruger kun punkter som man har målt, og indsætter aldrig fiktive punkter.

#5: Der vil heller ikke være tale om at indsætte ikke-målte punkter. Spørgsmålet går på, hvorvidt man bør antage en model på formen

(1) y = ax+e

eller

(2) y = ax+b+e,

hvor e betegner målefejl, når en sammenhæng af typen (1) forventes.

#0: Det bedste er som du selv foreslår at vælge (2) og give et bud på, hvorvidt b er sigifikant forskellig fra nul. Det kan man gøre heuristisk (er den "tæt på nul" ift. hvor mange målepunkter regressionslinjen er baseret på?). Endnu bedre kan man gøre det med et statistisk test for hypotesen b = 0 i (2). Det kræver et meget begrænset kendskab til statistik at gøre dette i praksis - på linje med at bruge/rapportere forklaringsgraden R^2, som f.eks. TI-83 som standard giver. Statistikpakken R (som forresten er ganske gratis) foretager alle disse tests automatisk, og man behøver kun at tjekke, hvorvidt en givet størrelse (p-værdien for testet) er større eller mindre et på forhånd valgt signifikansniveau. Denne tilgang er den mest korrekt og tillader, at man også kan detektere, hvorvidt interceptet rent faktisk *er* signifikant forskelligt fra nul. Hvis det er tilfældet, bør man naturligvis overveje hvilke fejlkilder, som kan have været skyld heri.

I gymnasiet har de fleste elever formentlig et begrænset kendskab til statistik og lineær regression. Det er korrekt, som 404error skriver, at vil man være helt stringent, så skal man teste hypotesen

H: b = 0

og efterfølgende sammenholde testsandsynligheden p med et valgt signifikansniveau ('tolerancesandsynlighed') for, at man vil acceptere hypotesen (5% anvendes hyppigt).

#0: Du kan også ad heuristisk vej afgøre, om værdien af afskæringen (b) er så 'tæt på 0', at afvigelsen kan negligeres, når man tager højde for målenøjagtigheden på de givne data.

//Singularity