Klistra in parade x,y-data för att anpassa minsta kvadrat-linjen för bästa anpassning: lutning, intercept, korrelation, den anpassade ekvationen, förutsägelser för valfritt x — och ett spridningsdiagram med dina punkter och linjen dragen genom dem.
Linjen väljs för att minimera summan av de kvadrerade vertikala avstånden (residualerna) mellan punkterna och linjen. Kvadrering straffar stora missar hårt, vilket är anledningen till att extremvärden kan dra med sig linjen.
Lutningen är hur mycket y ändras, i genomsnitt, när x stiger med 1. Interceptet är modellens y när x = 0 — meningsfullt endast om x = 0 ligger inom eller nära dina datas intervall.
Det är extrapolering, och det är riskabelt: samband böjer sig ofta bortom det observerade intervallet. Kalkylatorn kommer att beräkna det, men ju längre från ditt x-intervall, desto mindre förtjänar linjen förtroende.
De delar samma summor: r är den standardiserade lutningen. Regressionen lägger till den faktiska linjen (i y-enheter per x-enhet) och förutsägelser, vilket korrelationen ensam inte kan ge.
Lutning b = Sxy ÷ Sxx där Sxy = Σ(x−x̄)(y−ȳ) och Sxx = Σ(x−x̄)². Intercept a = ȳ − b·x̄ — vilket garanterar att linjen alltid går genom datans masscentrum, (x̄, ȳ). Förutsägelse: ŷ = a + b·x. Rapporterat också: r, r² och det residuala standardfelet.
Indata: x = [1,2,3,4,5], y = [2,4,5,4,5].
Steg: x̄ = 3, ȳ = 4, Sxy = 6 (från korrelationsberäkningen), Sxx = 10. Lutning = 6 ÷ 10 = 0.6. Intercept = 4 − 0.6 × 3 = 2.2. Förutsägelse vid x = 6: 2.2 + 0.6 × 6 = 5.8.
Resultat: Linje y = 2.2 + 0.6x, r = 0.775, r² = 0.600.
Lägg till den här kalkylatorn på din egen webbplats eller blogg — den är helt gratis, kräver ingen registrering och visar alltid den senaste versionen. Kopiera koden nedan och klistra in den på din sida där du vill att kalkylatorn ska visas. Att behålla den lilla krediten “Powered by Loona Automation” under inbäddningen hjälper till att hålla verktyget gratis — men du får gärna utforma eller ta bort den; verktyget fungerar oavsett.