線性迴歸計算機

Q: 我如何解釋線性迴歸中的斜率?

斜率 (b1) 代表獨立變數 X 每增加一個單位時，依賴變數 Y 的變化。正斜率表示當 X 增加時 Y 也增加，而負斜率表示當 X 增加時 Y 減少。例如，如果斜率是 2.5，那麼 X 每增加 1 個單位，Y 平均增加 2.5 個單位。

Q: 相關係數 (r) 和 R 平方之間有什麼區別?

相關係數 (r) 測量 X 和 Y 之間線性關係的強度和方向，範圍從 -1 到 +1。R 平方 (R²) 簡單地是 r²，代表解釋的變異比例。雖然 r 告訴您方向 (正或負關係)，但 R² 只告訴您解釋了多少變異。對於簡單線性迴歸，R² = r²。

Q: 線性迴歸需要多少資料點?

技術上，您需要至少 2 個資料點來計算迴歸線，但這不提供誤差估計的自由度。對於有意義的統計分析，您應該有至少 10-20 個資料點。更多資料點通常會導致更可靠的估計和更窄的預測信賴區間。

Q: 線性迴歸中的殘差是什麼?

殘差是觀測 Y 值和迴歸線預測的 Y 值之間的差異 (殘差 = 觀測 Y - 預測 Y)。分析殘差有助於評估模型對資料的擬合程度。理想情況下，殘差應該隨機散佈在零周圍，沒有明確的模式。殘差中的模式可能表示該關係不是真正線性的或存在其他問題。

計算線性迴歸方程、斜率、截距、R平方，並通過互動式散點圖視覺化和逐步公式分解進行預測。

線性迴歸計算機

Embed 線性迴歸計算機 Widget

線性迴歸計算機

歡迎使用 線性迴歸計算機，這是一個綜合統計工具，可計算最小平方迴歸線、相關係數、R 平方，並提供帶逐步公式分解的互動式散點圖視覺化。無論您是在進行研究資料分析、商業預測還是學術研究，此計算器都能提供專業級的統計分析。

什麼是線性迴歸?

線性迴歸是一種基本統計方法，用於通過將線性方程擬合到觀測資料來模型化依賴變數 (Y) 和一個獨立變數 (X) 之間的關係。該方法通過最小化平方殘差 (觀測值和預測值之間的差異) 的和來找到通過資料點的最佳適配直線。

迴歸方程

簡單線性迴歸模型

$$\hat{Y} = b_0 + b_1 X$$

其中：

Y (或 Y-hat) = 依賴變數的預測值
X = 獨立變數 (預測因子)
b₀ = Y 截距 (當 X = 0 時 Y 的值)
b₁ = 斜率 (X 每變化一個單位時 Y 的變化)

如何計算線性迴歸

計算斜率 (b₁)

斜率公式

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

計算 Y 截距 (b₀)

截距公式

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

其中 x-bar 和 y-bar 分別是 X 和 Y 的平均值。

理解相關性和 R 平方

r 值	解釋
0.9 到 1.0	非常強的正相關
0.7 到 0.9	強的正相關
0.5 到 0.7	中等的正相關
0.3 到 0.5	弱的正相關
-0.3 到 0.3	幾乎沒有或沒有相關
-0.5 到 -0.3	弱的負相關
-0.7 到 -0.5	中等的負相關
-0.9 到 -0.7	強的負相關
-1.0 到 -0.9	非常強的負相關

R 平方 (決定係數)

R 平方 (R²) 表示 Y 中由 X 解釋的變異比例。例如，R² = 0.85 表示 Y 中 85% 的變異可以由與 X 的線性關係解釋。

R 平方公式

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

如何使用此計算器

輸入 X 值：在第一個文本框中輸入獨立變數資料，以逗號、空格或換行符分隔。
輸入 Y 值：在第二個文本框中輸入依賴變數資料。Y 值的數量必須與 X 值相匹配。
預測 (選擇性)：輸入 X 值，使用迴歸方程預測對應的 Y 值。
設定精度：選擇結果的小數位數。
計算：點擊計算按鈕以查看迴歸方程、散點圖、相關統計和逐步計算。

理解您的結果

主要結果

迴歸方程：最佳適配線方程 (Y = b₀ + b₁X)
斜率 (b₁)：X 每單位變化時 Y 的變化率
截距 (b₀)：當 X 等於零時的預測 Y 值
相關係數 (r)：線性關係的強度和方向
R 平方 (R²)：模型解釋的變異比例

附加統計

估計的標準誤差：資料點到迴歸線的平均距離
斜率的標準誤差：斜率估計的不確定性
平方和：總計、迴歸和殘差平方和
殘差：觀測和預測 Y 值之間的差異

線性迴歸的應用

商業和金融

根據廣告支出預測銷售
根據市場指標預測股票價格
根據生產量估計成本

科學和研究

分析變數之間的實驗關係
校準測量儀器
研究藥理學中的劑量反應關係

經濟學

模型化供求關係
分析利率對投資的影響
研究收入與消費模式

社會科學

教育研究 (學習時間 vs. 考試成績)
心理學研究 (年齡 vs. 反應時間)
人口統計學 (人口 vs. 資源消費)

線性迴歸的假設

為了獲得可靠的結果，線性迴歸假設：

線性性：X 和 Y 之間的關係是線性的
獨立性：觀測值彼此獨立
同方差性：殘差在所有 X 值上有常數變異
常態性：殘差近似正態分佈
無多重共線性：(對於多元迴歸) 獨立變數之間不高度相關

常見問題

什麼是線性迴歸?

線性迴歸是一種統計方法，用於通過將線性方程擬合到觀測資料來模型化依賴變數 (Y) 和一個獨立變數 (X) 之間的關係。方程採用 Y = b₀ + b₁X 的形式，其中 b₀ 是 Y 截距，b₁ 是斜率。它找到最佳適配線，使觀測值和預測值之間的平方差和最小。

我如何解釋線性迴歸中的斜率?

斜率 (b₁) 代表獨立變數 X 每增加一個單位時，依賴變數 Y 的變化。正斜率表示當 X 增加時 Y 也增加，而負斜率表示當 X 增加時 Y 減少。

什麼是 R 平方，它表示什麼?

R 平方 (R²)，也稱為決定係數，測量迴歸線對資料的擬合程度。它的範圍從 0 到 1，其中 0 表示模型不能解釋任何變異性，1 表示解釋所有變異性。通常，R² 大於 0.7 表示適配好。

相關係數 (r) 和 R 平方之間有什麼區別?

相關係數 (r) 測量線性關係的強度和方向，範圍從 -1 到 +1。R 平方 (R²) 是 r²，代表解釋的變異比例。雖然 r 告訴您方向 (正或負)，但 R² 只告訴您解釋了多少變異。

線性迴歸需要多少資料點?

技術上，您需要至少 2 個資料點，但對於有意義的統計分析，您應該有至少 10-20 個資料點。更多資料點通常會導致更可靠的估計。

線性迴歸中的殘差是什麼?

殘差是觀測 Y 值和預測 Y 值之間的差異 (殘差 = 觀測 Y - 預測 Y)。分析殘差有助於評估模型適配。理想情況下，殘差應該隨機散佈在零周圍，沒有明確的模式。

其他資源

引用此內容、頁面或工具為：

"線性迴歸計算機" 於 https://MiniWebtool.com/zh-tw/線性迴歸計算機/，來自 MiniWebtool，https://MiniWebtool.com/

由 miniwebtool 團隊提供。更新時間：Jan 17, 2026

您還可以嘗試我們的 AI數學解題器 GPT，通過自然語言問答解決您的數學問題。

其他相關工具:

線性迴歸計算機

線性迴歸計算機

什麼是線性迴歸?

迴歸方程

如何計算線性迴歸

計算斜率 (b₁)

計算 Y 截距 (b₀)

理解相關性和 R 平方

相關係數 (r)

R 平方 (決定係數)

如何使用此計算器

理解您的結果

主要結果

附加統計

線性迴歸的應用

商業和金融

科學和研究

經濟學

社會科學

線性迴歸的假設

常見問題

什麼是線性迴歸?

我如何解釋線性迴歸中的斜率?

什麼是 R 平方，它表示什麼?

相關係數 (r) 和 R 平方之間有什麼區別?

線性迴歸需要多少資料點?

線性迴歸中的殘差是什麼?

其他資源

其他相關工具:

統計與數據分析:

常用工具: