线性回归计算器
将数据直接粘贴为 CSV 或从 Excel 粘贴到下面的表单中,以运行回归分析。
摘要
回归方程
数据点数量
最佳拟合值
斜率
Y 轴截距
X 截距
拟合优度
相关
R 平方
标准误差
斜率明显不为零?
F 值:
概率(p 值)
偏离水平?
95% 置信区间
斜率
Y 轴截距
X 截距
中间值
X 之和
y 的和
x 的均值
Y 的均值
平方和
乘积之和
更多
解释
相关系数是,表明独立变量之间存在弱正相关性(x) 和因变量 (y)。
判定系数是,表示的变化是解释为x在回归模型中。
回归线的斜率为β=− 0.1008,这意味着每增加一个单位x,是预计将增加β=− 0.1008單位。
F 检验统计量为F ( 1 ,8 )=0.4894P 值为p=0.4884该结果表明回归模型在5%的水平上统计显著。
假设真实斜率为零(零假设H0:β=0),获得极端检验统计量的概率吨=− 0.6996是p=0.4884。这意味着,在没有线性关系的零假设下,只有 0.1% 的类似收集样本会产生极端的检验统计量。
结论:无法拒绝原假设,作为 p 值(p=0.4884) 是更大高于显著性水平 (0.05)。
简单线性回归 是一种用于分析两个变量之间关系的基本统计方法,通常用于根据一个变量预测另一个变量的值。我们的工具使用 最小二乘法 可以轻松执行此分析,该方法可找到 回归线 最适合您的数据
当您输入数据时,计算器 来提供分步解决方案 会通过计算斜率 \试用版β 和 Intercept \阿尔法α 回归方程 :
此方程表示最适合数据的线,允许您预测因变量 对于任何给定的自变量 x。该工具还会生成 预测区间 ,从而为您提供未来观测值可能下降的范围。
此工具还会执行完整的 回归分析 。它评估模型的拟合度,提供 R 平方值以显示模型对数据的解释程度,并检查斜率是否与零显著不同。这有助于确保您的模型具有统计显著性,并且线性关系是可靠的。
此外,您还可以检验线性模型的假设,例如线性、同方差和正态性,从而确保您的分析是稳健的。您还可以可视化数据和生成的 回归线 ,从而更容易理解变量之间的关系。
此工具简化了为数据查找 最佳拟合方程 的过程,使任何希望执行 简单线性回归 的人都可以使用它,而无需高级统计知识。