회귀분석 계산기

x,y 데이터에 대한 선형 회귀분석 수행. 짝을 이룬 x,y 데이터에 선형 회귀 모델(y = mx + b)을 적합하여 기울기, 절편, 결정계수(R²), 회귀식을 계산합니다. 선형 회귀는 관측된 (x, y) 데이터에 직선 y = mx + b를 맞추며, 잔차의 제곱합을 최소화합니다. 이…

짝을 이룬 x,y 데이터에 선형 회귀 모델(y = mx + b)을 적합하여 기울기, 절편, 결정계수(R²), 회귀식을 계산합니다.

선형 회귀란 무엇인가요?

선형 회귀는 관측된 (x, y) 데이터에 직선 y = mx + b를 맞추며, 잔차의 제곱합을 최소화합니다. 이 최소자승법(OLS)은 가우스-마르코프 가정 하에서 최적 선형 불편 추정량을 생성합니다.

기울기(m)는 x가 1단위 증가할 때 y의 변화를 나타냅니다. 절편(b)은 x = 0일 때 예측된 y입니다. 결정계수(R²)는 모델이 설명하는 y 분산의 비율을 측정합니다.

선형 회귀는 선형 관계, 잔차의 등분산성, 관측의 독립성, 대략 정규 잔차를 가정합니다. 이러한 가정 위반은 편향되거나 비효율적인 추정치로 이어질 수 있습니다.

Formula: y = mx + b m = [nΣxᵢyᵢ − ΣxᵢΣyᵢ] / [nΣxᵢ² − (Σxᵢ)²] b = ȳ − m·x̄ R² = 1 − Σ(yᵢ − ŷᵢ)² / Σ(yᵢ − ȳ)²

계산 예시

데이터: (1,2), (2,4), (3,5), (4,4), (5,5). n=5, Σx=15, Σy=20, Σxy=66, Σx²=55. m = (5×66 − 15×20)/(5×55 − 225) = (330−300)/(275−225) = 30/50 = 0.6. b = 4 − 0.6×3 = 2.2. 회귀식: y = 0.6x + 2.2. R² = 0.6.

이 계산기를 사용해야 할 때

실험 데이터에서 독립 변수와 측정 결과 간의 관계를 정량화하는 과학자
광고 지출을 기반으로 미래 매출을 추정하는 간단한 예측 모델을 만드는 비즈니스 분석가
회귀분석으로 공정 파라미터와 제품 규격 간의 상관성을 파악하는 품질 엔지니어
데이터셋에 직선을 적합하고 기울기, 절편, R-제곱 값을 해석하며 회귀의 기초를 배우는 학생

피해야 할 일반적인 실수

상관이 인과를 증명한다고 가정 — 두 변수 사이의 강한 선형 관계가 한 변수가 다른 변수의 원인임을 증명하지는 않습니다; 교란 변수가 원인일 수 있습니다
데이터 범위를 크게 벗어난 외삽 — 선형 모델은 관측된 x 범위 내에서만 검증된 것입니다; 이 범위 밖의 예측은 신뢰할 수 없으며 갈수록 부정확해집니다
잔차 패턴을 무시 — 잔차가 체계적 패턴(예: U자형)을 보이면 선형 모델이 부적합한 것이므로 비선형 모델을 고려해야 합니다
R-제곱만으로 모델 품질을 판단 — 낮은 R-제곱이 관계를 부정하는 것도, 높은 R-제곱이 관계를 확증하는 것도 아닙니다; 항상 가정과 잔차를 확인하세요

결과 해석 방법

기울기(m)는 x가 1단위 증가할 때 y가 얼마나 변하는지 알려줍니다 — 기울기 2.5는 x가 1단위 증가할 때마다 y가 2.5단위 증가한다는 뜻입니다
R-제곱 0.85는 y 변동의 85%가 x로 설명된다는 뜻입니다 — 나머지 15%는 다른 요인이나 잡음 때문입니다
절편(b)이 음수이거나 비현실적으로 크다면 선형 모델이 x = 0 부근에서 적용되지 않을 수 있습니다 — 절편은 x = 0이 데이터 범위 안에 있을 때만 의미가 있습니다

자주 묻는 질문

R²은 무엇을 알려주며 '좋은' 값은 무엇인가요?

R²는 모델이 설명하는 종속 변수의 분산 비율을 나타냅니다. 자연과학에서는 R² > 0.95가 일반적입니다. 사회과학에서는 0.3-0.7이 허용될 수 있습니다. 높은 R²가 인과관계를 증명하지 않습니다.

비선형 데이터에 선형 회귀를 사용할 수 있나요?

직접적으로는 불가능합니다. 관계가 곡선형이면 다항 회귀, 로그 변환 또는 기타 비선형 접근 방식을 고려하세요. 잔차 대 적합값 플롯이 비선형성을 드러낼 것입니다.