回归分析

输入成对的 X、Y 数据，用最小二乘法拟合一元线性回归 y=a+bx，给出斜率、截距、判定系数 R² 及各点残差，用于分析两变量线性关系强弱并做趋势预测。

Regression Analysis

自变量 X (逗号分隔)

因变量 Y (逗号分隔)

y = a + b·x

点击"计算"按钮

💡 公式:b = Σ((x-x̄)(y-ȳ)) / Σ((x-x̄)²);a = ȳ - b·x̄
R² 表示模型解释的变异比例,0-1 越接近 1 拟合越好。

🔮 预测

输入 X 值

输入 X 后点击预测

📚 深度解析：线性回归分析

💡 常见使用场景

分析广告投入与销售额的关系：用历史成对数据拟合 y=a+bx，量化每单位投入带来的销售增量。
预测场景：得到回归方程后，代入新的自变量 X 预测因变量 Y（如 x=11 时预测 y）。
评估拟合优劣：用决定系数 R² 判断自变量解释因变量变异的比例，R² 越接近 1 拟合越好。

最小二乘拟合与预测

以 x=1…10、y=2.1,3.9,…,19.7 为例，最小二乘得斜率 b=1.9867、截距 a=0.0733，方程 ŷ=0.0733+1.9867·x；相关系数 r=0.9994、决定系数 R²=0.9989（拟合极好）。斜率标准误 0.0235、t=84.4408、95% 置信区间 [1.9324, 2.0409]。代入 x=11 预测 ŷ≈21.9267。

❓ 常见问题（FAQ）

R² 高就代表模型可靠吗？: R² 高只说明自变量解释了大部分变异，不代表因果。还需检查残差是否随机、是否存在异常点，以及是否过度外推。
斜率置信区间怎么用？: 斜率 b 的 95% 置信区间 [1.9324, 2.0409] 不含 0，说明自变量与因变量存在显著线性关系；若区间跨越 0 则关系不显著。

⚠️ 使用说明与注意事项

本工具纯前端运行，数据不会上传到服务器
建议在主流浏览器（Chrome/Safari/Firefox/Edge）中使用
计算结果仅供参考，请以实际应用场景为准

📖关于「回归分析」 ▼

📝工具简介

回归分析是一款统计分析领域的在线工具。统计分析工具，帮助快速完成数据统计与检验。

✨功能特点

支持多种统计检验方法
实时计算，结果即时显示
支持图表可视化
数据不上传，安全可靠

🎯使用场景

分析两变量线性关系并量化影响强度
用历史数据拟合趋势线做预测（如销售/成本）
评估模型拟合优度（R²）与斜率显著性
根据残差诊断异常点与模型适用性