无需登录 数据私有 本地保存

线性回归计算器 - 散点图与拟合曲线工具

105
0
0
0
线性回归:一种统计方法,用于建立自变量与因变量之间的线性数学模型,通过拟合一条最佳直线来描述两个变量之间的关系。最小二乘法:通过最小化残差平方和来估计回归参数的数学方法,是线性回归中最常用的参数估计技术,由高斯和勒让德在19世纪初独立提出。斜率a:回归方程中自变量X的系数,表示X每增加一个单位时Y的预期平均变化量,斜率为正说明两者正相关,为负说明负相关。截距b:回归方程中的常数项,表示当X等于零时Y的预测值,有时在实际问题中截距没有明确的物理意义。决定系数R²:取值范围为0到1,表示回归模型对因变量变异的解释比例,是评价拟合优度的核心指标,R²越接近1说明模型拟合越好。相关系数r:衡量两个变量之间线性相关程度的统计量,取值范围为-1到1,绝对值越大相关性越强,正值表示正相关,负值表示负相关。残差:实际观测值与回归方程预测值之间的差值,即「e = y - ŷ」,残差分析是检验回归模型假设的重要手段。散点图:以点的形式展示两个变量之间关系的图形,是进行回归分析前的重要可视化工具,可帮助识别线性趋势、异常值和数据聚类。拟合直线:通过最小二乘法计算得到的最佳回归直线,代表数据的总体变化趋势,使得所有数据点到该直线的残差平方和最小。线性模型:假设因变量与自变量之间存在线性关系的统计模型,是回归分析中最简单也是最基础的模型形式。异方差性:残差的方差不恒定的现象,违反LINE假设中的等方差条件,可能导致参数估计的显著性检验失效。多重共线性:在多元回归中自变量之间存在高度相关的现象,会使参数估计变得不稳定,影响模型的可解释性。