Simple Linear Regression & OLS Line of Best Fit kalkylator

Hur du använder denna kalkylator

Ange ditt X Values (Independent Variable, comma or space separated), Y Values (Dependent Variable, comma or space separated), Forecast / Predict Y for X Värde (e.g. t.ex. 9). Resultaten uppdateras omedelbart när du ändrar ett värde.

Formeln

Ordinary Least Squares (OLS) Simple Linear Regression equations: x = (Σ x_i)/(n), y = (Σ y_i)/(n)

SS_xx = Σ (x_i - x)^2, SS_yy = Σ (y_i - y)^2, SS_xy = Σ (x_i - x)(y_i - y)

Lutning / fall m = β_1 = SS_xySS_xx

Y-Intercept b = β_0 = y - mx

Pearson Correlation r = SS_xySS_xx · SS_yy

Coefficient of Determination R^2 = r^2 = 1 - SS_resSS_totalt

Standard Error of Estimate S_e = Σ (y_i - y_i)^2n - 2

Räkneexempel

Praktiskt räkneexempel för Simple Linear Regression & OLS Line of Best Fit kalkylator: Anta att en användare vill göra en noggrann uppskattning inom Statistik & Dataanalys. Användaren fyller i X Values (Independent Variable, comma or space separated) med värdet 1, 2, 3, 4, 5, 6, 7, 8och anger Y Values (Dependent Variable, comma or space separated) till 2.5, 3.8, 5.2, 7.1, 8.4, 10.1, 11.8, 13.5 . Efter att ha klickat på Beräkna bearbetar Simple Linear Regression & OLS Line of Best Fit kalkylator informationen på en bråkdel av en sekund. Verktyget presenterar en fullständig specifikation med exakta delsummor och visuella diagram. Detta gör att användaren omedelbart ser konsekvenserna av sina val utan att behöva genomföra komplicerade manuella uträkningar eller bygga egna kalkylblad. Resultatet kan därefter sparas som PDF, exporteras till CSV eller delas direkt med kollegor och familj för vidare diskussion och planering.

Förstå dina resultat

Använd resultatet som startpunkt och validera det i din specifika kontext. Testa två eller tre varianter för att förstå känsligheten. För viktiga beslut jämför med en sekundär källa eller expert.