博主头像

识别内插与外推 | AP统计学 | Khan Academy

外来客 • 2026-11-18 20:03:47

分享
𝕏 f ◉
声明:本文为对公开内容的摘要整理, 未经本站独立核实,可能与原内容存在出入,不代表本站立场、观点或建议; 观点与版权归原作者及原平台所有。 如涉及版权问题,请联系我们,核实后立即删除。 [ 免责声明 ]

(原标题:Identifying interpolation and extrapolation | AP Statistics | Khan Academy)

📊 核心观点

  • 区分回归分析中的内插(Interpolation)与外推(Extrapolation)的关键在于预测点相对于原始数据自变量范围的位置。
  • 若预测的自变量值位于已知数据集的最小值与最大值之间,该过程定义为内插。
  • 若预测的自变量值超出已知数据集的范围(即低于最小值或高于最大值),该过程定义为外推。

📈 关键事实与论据

  • 数据范围界定:案例中记录的座位容量(Seating Capacity)范围为 236 至 1480 个座位;对应的设置时间(Setup Time)范围为 18 至 112 个工作小时。
  • 内插判定依据:针对拥有 900 个座位的场馆进行预测时,由于 900 处于 236 与 1480 的区间之内,该预测点落在原始数据自变量的覆盖范围内,因此属于内插。
  • 外推判定依据:针对拥有 95 个座位的场馆进行预测时,由于 95 小于数据集的最小容量值 236,该预测点位于原始数据范围之外,因此属于外推。
  • 模型应用逻辑:利用最小二乘回归线(Least Squares Regression Line)进行预测时,必须依据自变量(此处为座位数)是否处于样本观测值的边界内来分类预测性质,而非依据因变量(设置时间)的范围。

🎯 结论

  • 对于 900 个座位的场馆,其设置时间的预测属于内插,因为该容量值在历史数据记录的最低与最高容量之间。
  • 对于 95 个座位的场馆,其设置时间的预测属于外推,因为该容量值低于历史数据记录的最小容量值,超出了模型训练数据的自变量边界。

博主头像 👤 同一博主

查看该博主全部 130 篇

🧭 类似博主

0 条评论

发表评论

请先 登录 后参与讨论。