Kalkulator regresji liniowej

Kalkulator regresji liniowej

Regresja liniowa dopasowuje prostą do zbioru punktów tak, aby suma kwadratów odchyleń była najmniejsza. To najczęstsze narzędzie analizy zależności między dwiema zmiennymi.

Co otrzymujesz?

Przykład

Dla punktów (1,2), (2,4), (3,5), (4,4), (5,5) prosta ma nachylenie ok. 0,7 i wyraz wolny ok. 2,2. Współczynnik R² na poziomie blisko 1 oznacza dobre dopasowanie.

Jak interpretować R²?

• R² = 1 — idealne dopasowanie prostej.
• R² > 0,8 — silna zależność liniowa.
• R² < 0,3 — słaba zależność, prosta niewiele wyjaśnia.

Jak działa metoda najmniejszych kwadratów

Metoda szuka prostej postaci ŷ = a + b·x, dla której suma kwadratów odchyleń punktów od tej prostej jest najmniejsza. Odchylenie, czyli reszta, to różnica y − ŷ dla każdej obserwacji. Kwadraty są konieczne, bo odchylenia dodatnie i ujemne znosiłyby się przy zwykłym sumowaniu; podniesienie ich do kwadratu sprawia, że każda pomyłka zwiększa wynik, a największy wpływ mają punkty leżące daleko od prostej.

Nachylenie liczy się ze wzoru b = Σ(x − x̄)(y − ȳ) / Σ(x − x̄)², a wyraz wolny z zależności a = ȳ − b·x̄. Licznik jest sumą iloczynów odchyleń od średnich: gdy x i y rosną razem, jest dodatni, gdy rosną przeciwnie — ujemny. Mianownik opisuje rozrzut wartości x wokół średniej; im jest większy, tym stabilniejsze jest oszacowanie nachylenia.

Osobno liczona jest jakość dopasowania. SSE to suma kwadratów reszt, czyli ta sama wielkość, którą minimalizuje metoda, a SST = Σ(y − ȳ)² to całkowity rozrzut y. Wskaźnik R² = 1 − SSE/SST mówi, jaka część zmienności y została wyjaśniona przez prostą; pozostała część to zmienność, której model nie tłumaczy.

Przykład krok po kroku

1. Dane: pięć par (1, 2), (2, 4), (3, 5), (4, 4), (5, 5), czyli n = 5.
2. Średnie: x̄ = (1+2+3+4+5)/5 = 3 oraz ȳ = (2+4+5+4+5)/5 = 4.
3. Odchylenia: x − x̄ = −2, −1, 0, 1, 2, a y − ȳ = −2, 0, 1, 0, 1. Suma kwadratów odchyleń x wynosi 10, a iloczyny odchyleń to 4, 0, 0, 0, 2, co daje sumę 6.
4. Nachylenie: b = 6/10 = 0,6. Każdy wzrost x o 1 podnosi przewidywane y o 0,6.
5. Wyraz wolny: a = 4 − 0,6·3 = 2,2, więc prosta ma postać ŷ = 2,2 + 0,6x.
6. Reszty i R²: wartości na prostej to 2,8; 3,4; 4,0; 4,6; 5,2, więc reszty wynoszą −0,8; 0,6; 1,0; −0,6; −0,2. Suma ich kwadratów to 2,4, a całkowity rozrzut y to 6, stąd R² = 1 − 2,4/6 = 0,6. Pierwiastek z R² daje korelację około 0,77.

Tabela: przewidywania prostej ŷ = 2,2 + 0,6x

Praktyczne wskazówki

• Najpierw obejrzyj rozrzut punktów — podobne nachylenie mogą dawać zbiory o zupełnie innym kształcie, z krzywizną albo skupiskami. Wynik liczbowy sam tego nie pokaże.
• Sprawdź zakres x przed przewidywaniem — wartość dla x spoza przedziału obserwacji jest ekstrapolacją i nie ma pokrycia w danych.
• Ustal, która zmienna objaśnia — zamiana x i y miejscami zmienia nachylenie oraz wyraz wolny, bo prosta liczona jest w innym kierunku.
• Czytaj nachylenie razem z jednostkami — wyraża ono zmianę y na jedną jednostkę x, więc bez jednostek obu zmiennych nie da się go zinterpretować.
• Nie oceniaj modelu po samym R² — wysoka wartość nie dowodzi, że prosta jest właściwym opisem zależności, a niska nie przekreśla przydatnego trendu.

Ograniczenia narzędzia i danych

• Brak testów istotności — kalkulator nie liczy błędu standardowego nachylenia, wartości p ani przedziału ufności, więc nie odpowiada na pytanie, czy zależność jest statystycznie istotna.
• Brak odporności na punkty odstające — metoda najmniejszych kwadratów uwzględnia wszystkie obserwacje z jednakową wagą i nie zawiera wariantu odpornego ani ważonego.
• Ekstrapolacja poza dane — dla x poza zakresem pomiarów narzędzie nadal policzy ŷ, ale nie sprawdza, czy zależność liniowa obowiązuje również tam.
• Brak kontroli danych wejściowych — duplikaty, brakujące pary liczb, różne jednostki czy przypadkowe znaki w liczbach zaburzą wynik, a kalkulator nie sygnalizuje takich sytuacji.

Najczęstsze pytania