С 2010 года · Более 2 млн запусков инструментов в месяц
С 2010 года
Добавить в Chrome

Моя Панель Инструментов

Автоматический Режим

Сохранённых инструментов пока нет.

Премиум-версия
Похожие инструменты
Калькулятор коэффициента корреляцииКалькулятор ранговой корреляции СпирменаКалькулятор Уравнения ПрямойКалькулятор Уравнения Прямой по Точке и НаклонуКонвертер Стандартной Формы в Форму Наклон-Пересечение
Домашняя страница > Математика > Статистика и анализ данных

Калькулятор линейной регрессии

Рассчитайте уравнение линейной регрессии, наклон, пересечение, R-квадрат и делайте прогнозы с интерактивной визуализацией графика рассеяния и пошаговым разбором формул.

БесплатноБез регистрацииОбновлено янв 2026
Калькулятор линейной регрессииПопробуйте — бесплатно ▼
Попробуйте примеры наборов данных

Embed Калькулятор линейной регрессии Widget

О Калькулятор линейной регрессии

Добро пожаловать в Калькулятор линейной регрессии, комплексный статистический инструмент, который рассчитывает линию наименьших квадратов, коэффициент корреляции, R-квадрат и предоставляет интерактивную визуализацию графика рассеяния с пошаговым разбором формул. Независимо от того, анализируете ли вы данные для исследований, прогнозирования бизнеса или академических исследований, этот калькулятор обеспечивает профессиональный уровень статистического анализа.

Что такое линейная регрессия?

Линейная регрессия - это фундаментальный статистический метод, используемый для моделирования связи между зависимой переменной (Y) и одной независимой переменной (X) путём подгонки линейного уравнения к наблюдаемым данным. Метод находит наиболее подходящую прямую линию, минимизируя сумму квадратов остатков (различий между наблюдаемыми и прогнозируемыми значениями).

Уравнение регрессии

Модель простой линейной регрессии
$$\hat{Y} = b_0 + b_1 X$$

Где:

Как рассчитать линейную регрессию

Расчёт наклона (b₁)

Формула наклона
$$b_1 = \frac{n\sum x_i y_i - \sum x_i \sum y_i}{n\sum x_i^2 - (\sum x_i)^2}$$

Расчёт пересечения с осью Y (b₀)

Формула пересечения
$$b_0 = \bar{y} - b_1 \bar{x}$$

Где x-полоска и y-полоска - это средние значения X и Y соответственно.

Понимание корреляции и R-квадрат

Коэффициент корреляции (r)

Коэффициент корреляции измеряет силу и направление линейной связи между X и Y. Он варьируется от -1 до +1:

Значение rИнтерпретация
0.9 до 1.0Очень сильная положительная корреляция
0.7 до 0.9Сильная положительная корреляция
0.5 до 0.7Умеренная положительная корреляция
0.3 до 0.5Слабая положительная корреляция
-0.3 до 0.3Практически отсутствует корреляция
-0.5 до -0.3Слабая отрицательная корреляция
-0.7 до -0.5Умеренная отрицательная корреляция
-0.9 до -0.7Сильная отрицательная корреляция
-1.0 до -0.9Очень сильная отрицательная корреляция

R-квадрат (коэффициент детерминации)

R-квадрат (R²) показывает долю дисперсии Y, которая объясняется X. Например, R² = 0.85 означает, что 85% дисперсии Y можно объяснить линейной связью с X.

Формула R-квадрат
$$R^2 = r^2 = 1 - \frac{SS_{residual}}{SS_{total}}$$

Как использовать этот калькулятор

  1. Введите значения X: Введите данные независимой переменной в первое текстовое поле, разделив запятыми, пробелами или переводом строки.
  2. Введите значения Y: Введите данные зависимой переменной во второе текстовое поле. Количество значений Y должно совпадать с количеством значений X.
  3. Прогнозирование (необязательно): Введите значение X, чтобы спрогнозировать соответствующее значение Y, используя уравнение регрессии.
  4. Установите точность: Выберите количество десятичных знаков для результатов.
  5. Рассчитайте: Нажмите кнопку "Рассчитать", чтобы увидеть уравнение регрессии, график рассеяния, статистику корреляции и пошаговые расчёты.

Понимание ваших результатов

Основные результаты

Дополнительная статистика

Применение линейной регрессии

Бизнес и финансы

Наука и исследования

Экономика

Социальные науки

Предположения линейной регрессии

Для надёжных результатов линейная регрессия предполагает:

  1. Линейность: Связь между X и Y является линейной
  2. Независимость: Наблюдения независимы друг от друга
  3. Гомоскедастичность: Остатки имеют постоянную дисперсию для всех значений X
  4. Нормальность: Остатки приблизительно нормально распределены
  5. Отсутствие мультиколлинеарности: (Для множественной регрессии) Независимые переменные не сильно коррелированы

Часто задаваемые вопросы

Что такое линейная регрессия?

Линейная регрессия - это статистический метод, используемый для моделирования связи между зависимой переменной (Y) и одной независимой переменной (X) путём подгонки линейного уравнения к наблюдаемым данным. Уравнение принимает форму Y = b₀ + b₁X, где b₀ - пересечение с осью Y, а b₁ - наклон. Метод находит наиболее подходящую линию, которая минимизирует сумму квадратов различий между наблюдаемыми и прогнозируемыми значениями.

Как интерпретировать наклон в линейной регрессии?

Наклон (b₁) представляет изменение зависимой переменной Y при увеличении независимой переменной X на одну единицу. Положительный наклон указывает, что Y увеличивается при увеличении X, а отрицательный наклон указывает, что Y уменьшается при увеличении X.

Что такое R-квадрат и что он означает?

R-квадрат (R²), также называемый коэффициентом детерминации, измеряет, насколько хорошо линия регрессии соответствует данным. Он варьируется от 0 до 1, где 0 означает, что модель не объясняет никакую изменчивость, а 1 означает, что она объясняет всю изменчивость. Обычно R² выше 0.7 указывает на хорошее соответствие.

В чём разница между корреляцией (r) и R-квадратом?

Коэффициент корреляции (r) измеряет силу и направление линейной связи, варьируясь от -1 до +1. R-квадрат (R²) - это r², представляющий долю объяснённой дисперсии. Хотя r показывает направление (положительная или отрицательная связь), R² показывает только, сколько дисперсии объяснено.

Сколько точек данных мне нужно для линейной регрессии?

Технически вам нужно минимум 2 точки данных, но для содержательного статистического анализа вам нужно минимум 10-20 точек данных. Больше точек данных обычно приводит к более надёжным оценкам.

Что такое остатки в линейной регрессии?

Остатки - это разности между наблюдаемыми значениями Y и прогнозируемыми значениями Y (остаток = наблюдаемое Y - прогнозируемое Y). Анализ остатков помогает оценить качество соответствия модели. Идеально остатки должны быть случайно разбросаны вокруг нуля без явной закономерности.

Дополнительные ресурсы

Ссылайтесь на этот контент, страницу или инструмент так:

"Калькулятор линейной регрессии" на сайте https://ru.miniWebtool.com/калькулятор-линейной-регрессии/ от MiniWebtool, https://MiniWebtool.com/

от команды miniwebtool. Обновлено: 17 января 2026 г.

Вы также можете попробовать наш AI Решатель Математических Задач GPT, чтобы решить ваши математические проблемы с помощью вопросов и ответов на естественном языке.

Статистика и анализ данных:

Популярные и обновлённые инструменты:

Решатель линейных уравненийРешатель систем линейных уравненийРешатель Линейного ПрограммированияСмотреть все →
Домашняя страница > Математика > Статистика и анализ данных > Калькулятор линейной регрессии