Orthogonale Regression

In der Statistik dient die orthogonale Regression (genauer: orthogonale lineare Regression) zur Berechnung einer Ausgleichsgeraden für eine endliche Menge metrisch skalierter Datenpaare ${\displaystyle (x_{i},y_{i})}$ nach der Methode der kleinsten Quadrate. Wie in anderen Regressionsmodellen wird dabei die Summe der quadrierten Abstände der ${\displaystyle (x_{i},y_{i})}$ von der Geraden minimiert. Im Unterschied zu anderen Formen der linearen Regression werden bei der orthogonalen Regression nicht die Abstände in ${\displaystyle x}$- bzw. ${\displaystyle y}$-Richtung verwendet, sondern die orthogonalen Abstände. Dieses Verfahren unterscheidet nicht zwischen einer unabhängigen und einer abhängigen Variablen. Damit können – anders als bei der linearen Regression – Anwendungen behandelt werden, bei denen beide Variablen ${\displaystyle x}$ und ${\displaystyle y}$ messfehlerbehaftet sind.

Die orthogonale Regression ist ein wichtiger Spezialfall der Deming-Regression. Sie wurde erstmals 1840 im Zusammenhang mit einem geodätischen Problem von Julius Weisbach angewendet^[1][2], 1878 von Robert James Adcock in die Statistik eingeführt^[3] und in allgemeinerem Rahmen 1943 von W. E. Deming für technische und ökonomische Anwendungen bekannt gemacht.^[4]

Es wird eine Gerade

${\displaystyle y=\beta _{0}+\beta _{1}x}$

gesucht, die die Summe der quadrierten Abstände der ${\displaystyle (x_{i},y_{i})}$ von den zugehörigen Fußpunkten ${\displaystyle (x_{i}^{*},y_{i}^{*})}$ auf der Geraden minimiert. Wegen ${\displaystyle y_{i}^{*}=\beta _{0}+\beta _{1}x_{i}^{*}}$ berechnet man diese quadrierten Abstände zu ${\displaystyle (y_{i}-\beta _{0}-\beta _{1}x_{i}^{*})^{2}+(x_{i}-x_{i}^{*})^{2}}$, deren Summe minimiert werden soll:

${\displaystyle SSR=\sum _{i=1}^{n}{\Big (}(y_{i}-\beta _{0}-\beta _{1}x_{i}^{*})^{2}+(x_{i}-x_{i}^{*})^{2}{\Big )}\ \to \ \min _{\beta _{0},\beta _{1},x_{i}^{*}}SSR}$

Für die weitere Rechnung werden die folgenden Hilfswerte benötigt:

${\displaystyle {\overline {x}}={\frac {1}{n}}\sum _{i=1}^{n}x_{i}}$     (arithmetisches Mittel der ${\displaystyle x_{i}}$)

${\displaystyle {\overline {y}}={\frac {1}{n}}\sum _{i=1}^{n}y_{i}}$     (arithmetisches Mittel der ${\displaystyle y_{i}}$)

${\displaystyle s_{x}^{2}={\tfrac {1}{n-1}}\sum _{i=1}^{n}(x_{i}-{\overline {x}})^{2}}$     (Stichprobenvarianz der ${\displaystyle x_{i}}$)

${\displaystyle s_{y}^{2}={\tfrac {1}{n-1}}\sum _{i=1}^{n}(y_{i}-{\overline {y}})^{2}}$     (Stichprobenvarianz der ${\displaystyle y_{i}}$)

${\displaystyle s_{xy}={\tfrac {1}{n-1}}\sum _{i=1}^{n}(x_{i}-{\overline {x}})(y_{i}-{\overline {y}})}$     (Stichprobenkovarianz der ${\displaystyle (x_{i},y_{i})}$)

Damit ergeben sich die Parameter zur Lösung des Minimierungsproblems:^[5][6][7]

${\displaystyle \beta _{1}={\frac {s_{y}^{2}-s_{x}^{2}+{\sqrt {(s_{y}^{2}-s_{x}^{2})^{2}+4s_{xy}^{2}}}}{2s_{xy}}}}$

${\displaystyle \beta _{0}={\overline {y}}-\beta _{1}{\overline {x}}}$

Die ${\displaystyle x}$-Koordinaten der Fußpunkte berechnet man mit

${\displaystyle x_{i}^{*}=x_{i}+{\frac {\beta _{1}}{\beta _{1}^{2}+1}}(y_{i}-\beta _{0}-\beta _{1}x_{i})}$

Der geometrische Abstand ${\displaystyle d_{i}}$ eines Messpunktes ${\displaystyle P(x_{i}|y_{i})}$ zu einer Ausgleichsgeraden

${\displaystyle f(x)=mx+t}$

lässt sich wegen ${\displaystyle d_{i}:(y_{i}-(mx_{i}+t))=1:{\sqrt {1+m^{2}}}}$ wie folgt berechnen:

${\displaystyle d_{i}^{2}={\frac {(y_{i}-(mx_{i}+t))^{2}}{1+m^{2}}}}$

Gesucht sind nun die Koeffizienten ${\displaystyle m}$ und ${\displaystyle t}$ mit der kleinsten Summe der Fehlerquadrate.

${\displaystyle \min _{m,t}\sum _{i=1}^{N}d_{i}^{2}}$

Die Gleichung

${\displaystyle {\frac {\partial }{\partial t}}\sum _{i=1}^{N}{\frac {(y_{i}-(mx_{i}+t))^{2}}{1+m^{2}}}=0}$

ergibt als Lösung

${\displaystyle t={\overline {y}}-m{\overline {x}}}$

Dabei wird als ${\displaystyle {\overline {x}}}$ der Mittelwert der ${\displaystyle x}$-Koordinaten der Messpunkte bezeichnet. Analog dazu ist ${\displaystyle {\overline {y}}}$ der Mittelwert der ${\displaystyle y}$-Koordinaten der Messpunkte. Diese Lösung hat auch zur Folge, dass der Punkt ${\displaystyle P({\overline {x}}|{\overline {y}})}$ stets auf der Ausgleichsgeraden liegt.

Die Gleichung

${\displaystyle {\frac {\partial }{\partial \,m}}\sum _{i=1}^{N}{\frac {(y_{i}-(mx_{i}+t))^{2}}{1+m^{2}}}=0}$

ergibt folgende quadratische Gleichung:

${\displaystyle m^{2}S_{xy}+m(S_{xx}-S_{yy})-S_{xy}=0}$

Dabei sind

${\displaystyle S_{xx}=\sum _{i=1}^{N}(x_{i}-{\overline {x}})^{2}\;}$ und ${\displaystyle \;S_{yy}=\sum _{i=1}^{N}(y_{i}-{\overline {y}})^{2}}$

die Quadratsummen der Messwerte von ${\displaystyle X}$ und ${\displaystyle Y}$ und

${\displaystyle S_{xy}=\sum _{i=1}^{N}(x_{i}-{\overline {x}})(y_{i}-{\overline {y}})}$

die Produktsumme zwischen ${\displaystyle X}$ und ${\displaystyle Y}$.

Auf Grund des Steigungsverhaltens dieser Parabel ergibt sich für das Minimum hier die eine Lösung:

${\displaystyle m={\frac {S_{yy}-S_{xx}+{\sqrt {(S_{xx}-S_{yy})^{2}+4(S_{xy})^{2}}}}{2S_{xy}}}}$

Die Gleichung der geometrischen Ausgleichsgeraden lautet somit:

${\displaystyle f(x)=m(x-{\overline {x}})+{\overline {y}}}$

${\displaystyle m={\frac {-4{,}1+{\sqrt {4{,}1^{2}+4\cdot 9{,}1^{2}}}}{2\cdot 9{,}1}}}$

Es ergibt sich ${\displaystyle m=0{,}8}$ und die geometrische Ausgleichsgerade lautet daher wie folgt:

${\displaystyle f(x)=0{,}8(x-3{,}3)+4{,}1}$

1. ↑ J. Weisbach: Bestimmung des Hauptstreichens und Hauptfallens von Lagerstätten. In: Archiv für Mineralogie, Geognosie, Bergbau und Hüttenkunde. Band 14, 1840, S. 159–174. 
2. ↑ D. Stoyan, T. Morel: Julius Weisbach's pioneering contribution to orthogonal linear regression. In: Historia Mathematica. Band 45, 2018, S. 75–84. 
3. ↑ R. J. Adcock: A problem in least squares. In: The Analyst. Band 5, Nr. 2. Annals of Mathematics, 1878, S. 53–54, doi:10.2307/2635758, JSTOR:2635758. 
4. ↑ W. E. Deming: Statistical adjustment of data. Wiley, NY (Dover Publications edition, 1985), 1943, ISBN 0-486-64685-8. 
5. ↑ P. Glaister: Least squares revisited. The Mathematical Gazette. Vol. 85 (2001), S. 104–107.
6. ↑ G. Casella, R. L. Berger: Statistical Inference. 2. Auflage. Cengage Learning, Boston 2008, ISBN 978-0-495-39187-6.
7. ↑ J. Hedderich, Lothar Sachs: Angewandte Statistik. Methodensammlung mit R. 15. Auflage. Springer Berlin, Heidelberg 2015, ISBN 978-3-662-45690-3.