AP Statistics

điểm có đòn bẩy caohigh-leverage point

high-leverage pointVietnamese: điểm có đòn bẩy cao

Điểm có đòn bẩy cao là điểm dữ liệu nằm xa các điểm khác theo phương trục hoành, nên có khả năng kéo đường hồi quy về phía mình.A high-leverage point is a data point whose x-value lies far from the other x-values, giving it the power to pull the regression line toward itself.

Trực giác: Giống như một người đứng ở đầu bập bênh — chỉ cần hơi nhích người là cả tấm ván nghiêng hẳn về phía mình, dù những người còn lại ngồi im ở giữa.Intuition: Think of someone standing at the very end of a seesaw — a slight shift of weight tips the whole plank their way, while everyone sitting near the middle barely moves it.

Công thức chínhKey formula

h_{ii} = \frac{1}{n} + \frac{(x_i - \bar{x})^2}{\sum_{j=1}^{n}(x_j - \bar{x})^2}

Định nghĩa đầy đủFull definition1 phút đọc1 min read

Trong hồi quy tuyến tính, điểm có đòn bẩy cao là quan sát có vị trí xa trung tâm theo biến dự báo, nên có tiềm năng kéo đường hồi quy bình phương tối thiểu. Mức này được đo bằng giá trị mũ $h_{ii}$ từ $0$ đến $1$ ; càng gần $1$ thì càng cao. Ngưỡng thực hành phụ thuộc số biến dự báo và cỡ mẫu.

Đòn bẩy cao không đồng nghĩa với ảnh hưởng lớn; tác động còn liên quan đến độ lệch khỏi đường hồi quy.

In linear regression, a high-leverage point is an observation located far from the center of the data in the explanatory variable, so it has the potential to pull the least-squares regression line. Leverage is measured by the hat value $h_{ii}$ , which ranges from $0$ to $1$ ; values closer to $1$ mean greater leverage. Practical cutoffs depend on the number of predictors and the sample size.

High leverage does not mean high influence; the actual effect also depends on how far the point falls from the regression line.

Ký hiệuNotation

h_{ii}

h_{ii}

Giải nghĩa công thứcFormula breakdown1 công thức1 formula

h_{ii} = \htmlClass{fp-0}{\frac{1}{n}} + \htmlClass{fp-2}{\frac{\htmlClass{fp-1}{(x_i - \bar{x})^2}}{\sum_{j=1}^{n}(x_j - \bar{x})^2}}

h_{ii} = \htmlClass{fp-0}{\frac{1}{n}} + \htmlClass{fp-2}{\frac{\htmlClass{fp-1}{(x_i - \bar{x})^2}}{\sum_{j=1}^{n}(x_j - \bar{x})^2}}

Dùng để tính đòn bẩy của quan sát thứ $i$ trong hồi quy tuyến tính đơn giản và nhận diện điểm có đòn bẩy cao.Computes the leverage of the $i$ th observation in simple linear regression and flags high-leverage points.

Trong đóWhere

h_{ii}

đòn bẩy của quan sát thứ

i

leverage of the

i

th observation

n

số quan sát trong tập dữ liệunumber of observations in the data set

x_i

giá trị biến giải thích của quan sát thứ

i

explanatory variable value of the

i

th observation

\bar{x}

trung bình của toàn bộ giá trị biến giải thíchmean of all explanatory variable values

\sum_{j=1}^{n}(x_j - \bar{x})^2

tổng bình phương độ lệch của biến giải thích, đo độ phân tán của toàn bộ các giá trị

x

sum of squared deviations of the explanatory variable, measuring the spread of all the

x

values

Hay hiểu saiCommon misconceptions3 ý · 1 phút đọc3 points · 1 min read

Đòn bẩy cao không nói về độ xa theo trục $y$ .

Trong hồi quy tuyến tính đơn giản, nó do giá trị $x$ xa trung bình; điểm cao hoặc thấp nhưng có $x$ gần trung bình không nhất thiết có đòn bẩy cao.

Đòn bẩy cao không tự động làm lệch đường hồi quy.

Nó chỉ cho biết tiềm năng ảnh hưởng; điểm nằm đúng xu hướng có thể ít làm đổi hệ số. Hãy so sánh mô hình khi có và không có điểm đó.

Không loại điểm chỉ vì nó có đòn bẩy cao.

Vị trí xa không chứng minh dữ liệu sai; chỉ loại khi có lý do thực chất và phải nêu rõ. Nếu không, nên báo cáo cả hai kết quả.

Leverage is not about how far a point lies vertically along $y$ .

In simple linear regression it comes from an $x$ -value far from the mean of $x$ , so a very high or very low point whose $x$ is near average need not have high leverage.

A high-leverage point does not automatically distort the regression line.

Leverage only signals the potential for influence; a point that follows the overall trend may change the coefficients very little. Compare the model fitted with and without the point.

Never delete a point just because its leverage is high.

An extreme $x$ -value is not proof that the data are wrong; remove a point only for a substantive reason, and say so explicitly. Otherwise, report both results.

Mẹo phòng thiExam tips2 mẹo2 tips

Khi bỏ một điểm, phải nêu hướng đổi của độ dốc.

Xét điểm ở đầu trái hay phải và nằm trên hay dưới xu hướng của các điểm còn lại, rồi suy ra hướng đường bị kéo; nếu có thể, so sánh hai mô hình.

Đừng kết luận từ $r$ trước khi xem biểu đồ tán xạ.

Một quan sát xa theo biến dự báo có thể làm $r$ lớn dù phần dữ liệu chính ít biểu hiện quan hệ tuyến tính, khiến mô hình không đáng tin cho phần đó.

When a point is removed, state the direction in which the slope changes.

Decide whether the point sits at the left or right end and above or below the trend of the remaining points, then reason about which way the line was being pulled; compare the two fitted models if you can.

Do not draw conclusions from $r$ before looking at the scatterplot.

A single observation far out in the explanatory variable can make $r$ large even when the bulk of the data show little linear relationship, leaving the model untrustworthy for that bulk.

Tần suất trong đề AP StatisticsHow often it shows up on AP StatisticsHay gặpCommon

Khái niệm này sinh ra từ đâuWhere the concept comes from1 phút đọc1 min read

1938–1980William G. CochranJohn TukeyDavid A. BelsleyEdwin KuhRoy E. Welsch

Năm 1980, Belsley, Kuh và Welsch hệ thống hóa chẩn đoán đòn bẩy nhằm nhận diện các quan sát có khả năng chi phối mô hình hồi quy.

In 1980, Belsley, Kuh, and Welsch organized leverage diagnostics into a systematic framework for spotting observations capable of dominating a regression model.

Vì sao mang đúng cái tên này? Cái tên nghe như trong vật lý, và đúng là nó mượn hình ảnh từ vật lý. Đại lượng đòn bẩy đo xem giá trị biến độc lập của một quan sát nằm xa các quan sát còn lại đến mức nào; quan sát càng xa trung tâm của các giá trị $x$ thì "cánh tay đòn" của nó càng dài, nên chỉ cần nó nhích lên hay xuống một chút theo phương dọc là cả đường hồi quy đã xoay theo. Về mặt kỹ thuật, đại lượng này được lấy từ các phần tử trên đường chéo của ma trận mũ (hat matrix), và chính vì thế mà điểm có đòn bẩy cao thường được xem là giá trị ngoại lai (outlier) xét riêng theo biến giải thích. Tuy nhiên, tên gọi chỉ nói về tiềm năng chứ không nói về hậu quả: một điểm ảnh hưởng (influential point) thường có đòn bẩy cao, nhưng đòn bẩy cao không nhất thiết kéo theo ảnh hưởng lớn.

Nguồn đối chiếuSources

Thử nghiệm tương tácInteractive explorer

Kéo điểm đánh dấu ra xa bên phải — nhìn đường bình phương tối thiểu xoay theo

Kéo tham số, thấy khái niệm chuyển động — đăng nhập để mở.Drag the parameters and watch the concept move — sign in to open.

Tạo tài khoảnCreate an account

Bạn nắm chắc chưa?Check your understanding

Quiz câu thật từ ngân hàng đềReal exam questions from our question bank

Vài câu thật gắn đúng khái niệm này, chấm ngay kèm giải thích từng đáp án — hệ thống ghi nhớ bạn nắm tới đâu.A few real questions on exactly this concept, graded instantly with an explanation for every choice — the system remembers how well you know it.

Tạo tài khoảnCreate an account

Học tiếp từ đâyKeep learning

Bài học chứa thuật ngữ nàyLesson that uses this termDự đoán với linear regression model (mô hình hồi quy tuyến tính)Phân tích hồi quy · khoácourse AP Statistics

Bài học chứa thuật ngữ nàyLesson that uses this termHồi quy bình phương tối thiểuPhân tích hồi quy · khoácourse AP Statistics

Cần trướcLearn firstđường hồi quyregression line

Dẫn tớiLeads tohồi quyregression

So vớiComparegiá trị ngoại lệoutlier

Mục tiêu và lộ trình unit ai cũng xem được — làm bài tập và lưu tiến độ thì cần đăng nhập.Anyone can view a unit's goals and roadmap — sign in to do the exercises and save your progress.

Hay nhầm vớiOften confused with

Thuật ngữTermKhác nhau ở đâuHow they differHay nhầm khiMixed up when

quan sát có ảnh hưởnginfluential observation

Khác nhau ở đâuHow they differĐiểm có đòn bẩy cao chỉ mới nằm xa trung bình các giá trị x; nó trở thành quan sát có ảnh hưởng khi việc loại bỏ nó làm thay đổi đáng kể đường hồi quy bình phương tối thiểu.

Hay nhầm khiMixed up whenĐề cho một scatterplot và hỏi điểm được khoanh tròn có phải influential point hay không — học sinh trả lời 'có' chỉ vì nó xa các điểm khác theo chiều x, bỏ qua rằng đường hồi quy hầu như không đổi khi bỏ nó đi.

giá trị ngoại lệoutlier

Khác nhau ở đâuHow they differGiá trị ngoại lai được nhận diện qua phần dư lớn (cực đoan theo chiều y), còn điểm có đòn bẩy cao được nhận diện qua giá trị x nằm xa trung bình (cực đoan theo chiều x); một điểm có thể là cái này mà không phải cái kia.

Hay nhầm khiMixed up whenĐề hỏi 'điểm A có phải outlier hay không' nhưng học sinh lại lập luận dựa trên vị trí x xa thay vì kiểm tra phần dư, hoặc ngược lại, đề hỏi về leverage nhưng học sinh chỉ xét độ lớn của y.

Thử nghiệm tương tácInteractive explorer

Bạn nắm chắc chưa?Check your understanding

Học tiếp từ đâyKeep learning

Hay nhầm vớiOften confused with

Cùng chủ đềSame topic