回归分析计算器

对x,y数据进行线性回归分析. 将线性回归模型（y = mx + b）拟合到配对的x,y数据，计算斜率、截距、决定系数（R²）和回归方程。. 线性回归通过最小化残差平方和，将直线 y = mx + b 拟合到观测的(x, y)数据。OLS方法在高斯-马尔可夫假设下产生最佳线性无偏估计量。

将线性回归模型（y = mx + b）拟合到配对的x,y数据，计算斜率、截距、决定系数（R²）和回归方程。

什么是线性回归？

线性回归通过最小化残差平方和，将直线 y = mx + b 拟合到观测的(x, y)数据。OLS方法在高斯-马尔可夫假设下产生最佳线性无偏估计量。

斜率(m)表示x增加一个单位时y的变化。截距(b)是x = 0时的预测y值。决定系数(R²)衡量模型解释的y方差比例。

线性回归假设线性关系、等方差性、观测独立性和近似正态残差。违反这些假设可能导致有偏估计。

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

计算示例

数据：(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。回归方程：y = 0.6x + 2.2。R² = 0.6。

何时使用此计算器

科研人员量化实验数据中自变量与测量结果之间的关系
业务分析师构建简单预测模型，根据广告投入估算未来销售额
质量工程师通过回归确定工艺参数与产品规格之间的相关性
学生通过对数据集拟合直线并解读斜率、截距和 R 平方值来学习回归基础

常见错误

把相关当作因果的证明——两个变量之间强线性关系并不能证明一方导致另一方；混杂变量可能才是真正原因
远超数据范围外推——线性模型仅在观测到的 x 范围内得到验证；范围之外的预测不可靠，且越远越不准确
忽视残差模式——若残差呈现系统性模式（如 U 形），说明线性模型不够充分，应考虑非线性模型
仅凭 R 平方判断模型质量——R 平方低不代表关系不成立，R 平方高也不能证实关系；务必检查假设和残差

如何解读结果

斜率 (m) 表示 x 每增加一个单位时 y 的变化量——斜率为 2.5 意味着 x 每增加 1 个单位，y 增加 2.5 个单位
R 平方为 0.85 意味着 y 的 85% 变异可由 x 解释——其余 15% 来自其他因素或噪声
若截距 (b) 为负或大得不合理，可能表明线性模型在 x = 0 附近不适用——只有当 x = 0 处于数据范围内时截距才有意义

常见问题

R²表示什么，什么是'好'值？

R²表示模型解释的因变量方差比例。自然科学中R² > 0.95常见，社会科学中0.3-0.7可接受。高R²不证明因果关系。

能对非线性数据使用线性回归吗？

不能直接使用。曲线关系应考虑多项式回归、对数变换或其他非线性方法。残差图会揭示非线性。