Keine APKV-Daten und keine Behauptung über interne Prozesse. Das Lab demonstriert eine einfache OLS-Rechnung; fünf Punkte reichen nicht für belastbare Inferenz.
Ziel & Voraussetzungen
Ziel: Für x=[0,1,2,3,4] und y=[1,3,2,5,4] Steigung, Achsenabschnitt, Vorhersagen, Residuen, SSE und R² ohne Fremdpaket reproduzieren.
- Python 3; keine Fremdpakete und keine Dateien als Input.
- Ein Prädiktor, Achsenabschnitt und nichtkonstantes x.
- Das Beispiel prüft Arithmetik, nicht Normalität, Generalisation oder Kausalität.
Ausführen
- Skript öffnen oder speichern.
- Im Projektstamm
python3 labs/ols_diagnostics.pyausführen. - Einen y-Wert stark verändern und beobachten, wie Koeffizienten und Residuen reagieren.
slope = sum((xi-xbar)*(yi-ybar) for xi, yi in zip(x, y)) / sum((xi-xbar)**2 for xi in x)
intercept = ybar - slope*xbar
residuals = [yi-(intercept+slope*xi) for xi, yi in zip(x, y)]Erwartetes Ergebnis
Achsenabschnitt: 1.400
Steigung: 0.800
Residuen: [-0.4, 0.8, -1.0, 1.2, -0.6]
SSE: 3.600
R²: 0.640Interpretation: OLS minimiert hier die quadrierten In-sample-Residuen. R² vergleicht SSE mit der Streuung um ȳ. Weder Zahl belegt richtige funktionale Form, unabhängige Fehler, externe Gültigkeit oder Kausalität.
Diagnose & Fallstricke
- Prüfe Residuen gegen x, Fits sowie Reihenfolge; ein Muster widerspricht der Modellform.
- Ein einflussreicher Punkt kann die Gerade stark drehen; nicht automatisch löschen, sondern Herkunft und Zielpopulation klären.
- Für neue Daten den Split vor Feature Engineering festlegen; dieses Lab hat bewusst keinen Performance-Claim.
- Aufräumen ist nicht nötig: Das Skript schreibt keine Dateien.
Transferfrage
Welche Annahmen brauchst du nur für klassische Standardfehler und Intervalle, welche bereits für eine sinnvolle bedingte Mittelwertfunktion, und welche zusätzlich für kausale Interpretation?
Belege auf dieser Seite
- Linear Least Squares Regression · geprüft 2026-09-02
- How can I tell if a model fits my data? · geprüft 2026-09-02