Słownik metodologiczny · Modele regresji

LOESS (regresja lokalnie ważona) – jak zobaczyć kształt zależności?

LOESS rysuje gładką krzywą przez punkty wykresu rozrzutu bez zakładania kształtu zależności. Wyjaśniamy lokalne dopasowanie i parametr span, pokazujemy przykład w R z zależnością odwrotnie U-kształtną i opis do pracy.

W skrócie: LOESS (regresja lokalnie ważona) dopasowuje krzywą przez punkty wykresu rozrzutu z serii małych, ważonych regresji wokół każdego punktu. Parametr span określa, jaka część danych wchodzi do każdego dopasowania: mały daje krzywą falującą, duży – gładką. Służy do eksploracji kształtu zależności i diagnostyki modeli.

Co to jest LOESS?

LOESS (ang. loess, locally weighted regression; po polsku regresja lokalnie ważona; pokrewna starsza wersja to lowess) to metoda rysowania gładkiej krzywej przez punkty na wykresie rozrzutu bez zakładania z góry kształtu zależności. Cleveland (1979) opisał ją jako sposób na wzbogacenie wykresu rozrzutu, a Cleveland i Devlin (1988) rozwinęli ją jako narzędzie do eksploracji danych i diagnostyki modeli.

Jak działa

Dla każdego punktu x metoda bierze najbliższe obserwacje, nadaje im wagi malejące z odległością i dopasowuje do nich prostą albo parabolę ważonymi najmniejszymi kwadratami. Wartość tej lokalnej funkcji w x jest punktem krzywej. Kluczowy parametr to span – odsetek danych użyty w każdym lokalnym dopasowaniu. Mały span daje krzywą falującą, duży – gładką, bliską prostej. Wersja odporna dodatkowo obniża wagi punktów odstających.

Przykład

W symulowanych danych 150 osób wynik testu uwagi zależał od długości snu odwrotnym U. Korelacja liniowa wyniosła r = .56, a prosta przewidywała stały wzrost: 44.0 pkt przy 4.5 h snu i 58.3 pkt przy 9 h. LOESS (span = 0.75) dał 35.1, 52.5, 58.9 i 56.0 pkt przy 4.5, 6, 7.5 i 9 h, czyli szczyt około 7.5 h i spadek potem. Przy span = 0.30 krzywa miała 9.9 parametrów efektywnych zamiast 4.5, ale podobny kształt. Dla 10 h LOESS nie dał wyniku, bo dane kończyły się na 9.99 h.

Na rysunku

Cztery panele z tą samą chmurą 150 punktów: czujność względem godziny badania, z dwoma szczytami około 11 i 19 godziny. A: krzywa LOESS przy span = 0.2 faluje i ma siedem garbów. B: przy span = 0.5 krzywa ma dwa garby i biegnie blisko prawdziwej zależności. C: przy span = 0.9 krzywa jest prawie płaska i gubi szczyty. D: trzy krzywe razem na tle prawdziwej zależności
Rysunek 1. Ta sama chmura punktów wygładzona LOESS przy span = 0.2 (A), 0.5 (B) i 0.9 (C) oraz trzy krzywe razem (D); linia przerywana – prawdziwa zależność, z której losowano dane. Obliczenia: R, pakiety ggplot2 i patchwork (dane symulowane, set.seed(511)).

Dane są inne niż w przykładzie: 150 osób badanych o różnych porach dnia (7–23), a prawdziwa czujność ma dwa szczyty – około 11 i 19 godziny – z dołkiem po południu. Kształt krzywej i rozrzut wyników (SD = 6) ustawiono ręcznie tak, by różnica między wartościami span była wyraźna; ziarna nie zmieniano.

Co widać. Przy span = 0.2 (14.8 parametru efektywnego) krzywa ma siedem lokalnych maksimów, choć prawdziwa ma dwa – część garbów to szum. Przy span = 0.5 (6.5 parametru) zostają dwa szczyty, a średnia odległość od prawdziwej krzywej (RMSE) jest najmniejsza: 1.66 pkt wobec 1.86 przy 0.2. Przy span = 0.9 (3.8 parametru) krzywa się spłaszcza: w szczycie o 11 pokazuje 48.4 pkt zamiast 55.0, a RMSE rośnie do 3.62. Ten sam dylemat – za szorstko albo za gładko – ma szerokość pasma w gęstości jądrowej (Rysunek 3 we wpisie Rozkład zmiennej na wykresie).

Na co uważać. Prawdziwą krzywą znamy tylko dlatego, że dane są symulowane. W prawdziwym badaniu nie ma linii przerywanej, więc „najlepszego” span nie da się odczytać z wykresu. Dlatego rysuj dwie–trzy krzywe i ufaj tylko cechom, które się powtarzają: tu oba szczyty widać przy 0.2 i 0.5, a drobne garby tylko przy 0.2. Wykres nie pokazuje też niepewności krzywej – na brzegach zakresu opiera się ona na niewielu punktach.

Podpis do pracy:

Rysunek 1. Wynik testu czujności w zależności od godziny badania (N = 150). Uwaga. Punkty – wyniki osób; linia – krzywa LOESS (wielomian drugiego stopnia, span = 0.5). Ten sam kształt, z dwoma szczytami około 11 i 19 godziny, utrzymywał się przy span = 0.2.

Rysunek na stronie powstał z tego samego obiektu p1 z motywem serwisu (krój, siatka); dane, geometrie i skale są identyczne.

Kod R rysunku 1
# Rysunek 1. Ta sama chmura punktów i trzy wartości span: za mało, w sam raz, za dużo wygładzenia
suppressPackageStartupMessages({library(ggplot2); library(patchwork)})
kol <- c("0.2" = "#D55E00", "0.5" = "#0072B2", "0.9" = "#009E73")   # Okabe–Ito
typ <- c("0.2" = "solid", "0.5" = "longdash", "0.9" = "dotdash")     # linie różnią się też rodzajem
motyw <- theme_minimal(base_size = 13) + theme(panel.grid.minor = element_blank(), legend.position = "bottom")
set.seed(511)                                          # 150 osób, godzina badania 7–23
n <- 150
godz <- runif(n, 7, 23)
prawda <- function(h) 40 + 15 * exp(-(h - 11)^2 / 6) + 12 * exp(-(h - 19)^2 / 5)  # dwa szczyty czujności
czujnosc <- prawda(godz) + rnorm(n, 0, 6)
siatka <- seq(7.5, 22.5, by = 0.1)
krzywe <- do.call(rbind, lapply(c(0.2, 0.5, 0.9), function(s) {
  m <- loess(czujnosc ~ godz, span = s)                # degree = 2 (domyślnie)
  data.frame(span = format(s), godz = siatka, y = predict(m, data.frame(godz = siatka)), enp = m$enp)
}))
podsum <- do.call(rbind, lapply(split(krzywe, krzywe$span), function(k) data.frame(
  span = k$span[1], enp = round(k$enp[1], 1),
  RMSE = round(sqrt(mean((k$y - prawda(k$godz))^2)), 2),         # odległość od prawdziwej krzywej
  maksima = sum(diff(sign(diff(k$y))) == -2),                      # liczba „garbów” krzywej
  y_11h = round(k$y[which.min(abs(k$godz - 11))], 1), y_15h = round(k$y[which.min(abs(k$godz - 15))], 1))))
rownames(podsum) <- NULL
podsum
round(c(prawda_11h = prawda(11), prawda_15h = prawda(15)), 1)     # szczyt i dołek prawdziwej krzywej
pkt <- data.frame(godz, czujnosc)
pr <- data.frame(godz = siatka, y = prawda(siatka))
panel <- function(s, tytul) ggplot(pkt, aes(godz, czujnosc)) +
  geom_point(colour = "grey60", alpha = 0.6, size = 1.4) +
  geom_line(data = pr, aes(y = y), colour = "black", linetype = "dashed", linewidth = 0.6) +
  geom_line(data = subset(krzywe, span == s), aes(y = y), colour = kol[[s]], linetype = typ[[s]], linewidth = 1.3) +
  coord_cartesian(ylim = c(25, 70)) +
  labs(title = tytul, x = "Godzina badania", y = "Czujność (pkt)")
pA <- panel("0.2", "A. span = 0.2: za mało wygładzenia")
pB <- panel("0.5", "B. span = 0.5")
pC <- panel("0.9", "C. span = 0.9: za dużo wygładzenia")
pD <- ggplot(krzywe, aes(godz, y, colour = span, linetype = span)) +
  geom_line(data = pr, aes(godz, y), inherit.aes = FALSE, colour = "black", linetype = "dashed", linewidth = 0.6) +
  geom_line(linewidth = 1.1) +
  scale_colour_manual(values = kol) + scale_linetype_manual(values = typ) +
  coord_cartesian(ylim = c(25, 70)) +
  labs(title = "D. Trzy krzywe na tle prawdziwej", x = "Godzina badania",
       y = "Czujność (pkt)", colour = "span", linetype = "span")
p1 <- (pA + pB + pC + pD + plot_layout(ncol = 2)) & motyw
p1
Wynik w R
  span  enp RMSE maksima y_11h y_15h
1  0.2 14.8 1.86       7  55.8  40.7
2  0.5  6.5 1.66       2  53.9  41.0
3  0.9  3.8 3.62       2  48.4  42.6
prawda_11h prawda_15h 
      55.0       41.5 

Jak opisać w pracy

Kształt zależności wyniku testu uwagi od długości snu oceniono na wykresie rozrzutu z krzywą LOESS (span = 0.75, wielomian drugiego stopnia). Krzywa wskazywała zależność odwrotnie U-kształtną z maksimum przy około 7.5 h snu, dlatego w modelu regresji uwzględniono składnik kwadratowy.

Na co uważać

  • Eksploracja, nie test. LOESS pokazuje kształt, ale nie daje współczynników do raportu. Do testowania nieliniowości służą regresja krzywoliniowa albo splajny i GAM.
  • Za mały span. Krzywa zaczyna śledzić szum – to wizualna wersja przeuczenia.
  • Brzegi. Na krańcach zakresu krzywa opiera się na niewielu punktach i jest niepewna; poza zakresem danych nie ekstrapoluj.
  • Zawsze patrz na wykres. Ten sam współczynnik r może kryć różne zależności, co pokazuje kwartet Anscombe’a. LOESS przydaje się też na wykresie reszt do wykrycia pominiętej krzywizny.
Przykład reprodukowalny

LOESS w R

Kod symuluje zależność odwrotnie U-kształtną, dopasowuje loess() z bazowego R z domyślnym span = 0.75 i z span = 0.30 i porównuje przewidywania z prostą regresji. Wykres z krzywą da wywołanie scatter.smooth() (w kodzie jako komentarz).

Krzywa LOESS a prosta

Dane wejściowe: 150 osób, sen 4–10 h, wynik testu uwagi (dane symulowane).

Co odczytać: r = .56; przewidywania LOESS rosną do 58.9 przy 7.5 h i spadają do 56.0 przy 9 h, prosta rośnie stale; NA dla 10 h (poza zakresem danych); 4.5 i 9.9 parametrów efektywnych.

R
set.seed(511)
n <- 150
sen <- runif(n, 4, 10)                                  # godziny snu
wynik <- 60 + (sen - 7.5) - 2.5 * (sen - 7.5)^2 + rnorm(n, 0, 5)  # wynik testu uwagi
round(c(r = cor(sen, wynik), min = min(sen), max = max(sen)), 2)  # korelacja liniowa i zakres danych
f75 <- loess(wynik ~ sen)                               # domyślnie span = 0.75, degree = 2
f30 <- loess(wynik ~ sen, span = 0.30)
nowe <- data.frame(sen = c(4.5, 6, 7.5, 9, 10))
round(rbind(span_075 = predict(f75, nowe), span_030 = predict(f30, nowe),
            prosta = predict(lm(wynik ~ sen), nowe)), 1)
round(c(span_075 = f75$enp, span_030 = f30$enp), 1)     # liczba parametrów efektywnych
# scatter.smooth(sen, wynik, span = 0.75)               # wykres rozrzutu z krzywą LOESS
Wynik w R
   r  min  max
0.56 4.09 9.99
            1    2    3    4    5
span_075 35.1 52.5 58.9 56.0   NA
span_030 36.0 51.6 58.9 56.2   NA
prosta   44.0 48.8 53.5 58.3 61.4
span_075 span_030
     4.5      9.9

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (przykład bez dodatkowych pakietów; rysunek 1 – pakiety ggplot2 i patchwork). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze pytania

Jak dobrać span w LOESS?

Domyślne 0.75 w R zwykle daje czytelną krzywą. Mniejszy span pokazuje więcej szczegółów, ale też szum. Sprawdź dwie lub trzy wartości – kształt, który się utrzymuje, jest wiarygodniejszy.

Czy LOESS można raportować jak regresję liniową?

Nie. LOESS nie daje jednego równania ani współczynników. Służy do oceny kształtu zależności; wnioski formalne wyciągnij z modelu, np. z wielomianem lub splajnami.

Czym różni się LOESS od średniej ruchomej?

Obie metody liczą wynik lokalnie, ale LOESS dopasowuje w każdym oknie ważoną prostą lub parabolę, a nie średnią. Lepiej oddaje więc nachylenie i krzywiznę, zwłaszcza blisko brzegów.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Cleveland, W. S. (1979). Robust locally weighted regression and smoothing scatterplots. Journal of the American Statistical Association, 74(368), 829–836. https://doi.org/10.1080/01621459.1979.10481038
  2. Cleveland, W. S., & Devlin, S. J. (1988). Locally weighted regression: An approach to regression analysis by local fitting. Journal of the American Statistical Association, 83(403), 596–610. https://doi.org/10.1080/01621459.1988.10478639

Cytowania BibTeX

@article{cleveland1979robust, author={Cleveland, William S.}, title={{Robust locally weighted regression and smoothing scatterplots}}, journal={Journal of the American Statistical Association}, year={1979}, volume={74}, number={368}, pages={829--836}, doi={10.1080/01621459.1979.10481038}}
@article{cleveland1988locally, author={Cleveland, William S. and Devlin, Susan J.}, title={{Locally weighted regression: An approach to regression analysis by local fitting}}, journal={Journal of the American Statistical Association}, year={1988}, volume={83}, number={403}, pages={596--610}, doi={10.1080/01621459.1988.10478639}}
R