Calcolatore di Regressione Lineare
Esegui un'analisi di regressione lineare con pendenza, intercetta, R² e intervalli di previsione per insiemi di dati
Inserisci un numero uguale di valori X e Y separati da virgole. Entrambe le liste devono avere la stessa lunghezza.
Equazione di Regressione
Pendenza (m)
Intercetta (b)
R² (Coefficiente di Determinazione)
r (Coefficiente di Correlazione)
Statistiche Aggiuntive
Numero di Punti
Media di X
Media di Y
Errore Standard della Stima
Errore Standard della Pendenza
Errore Standard dell'Intercetta
Previsione
Interpretazione
Punti Dati e Residui
| # | X | Y (Osservato) | Ŷ (Previsto) | Residuo (Y - Ŷ) |
|---|
Informazioni sulla Regressione Lineare
La regressione lineare è un metodo statistico utilizzato per modellare la relazione tra una variabile dipendente (Y) e una variabile indipendente (X) adattando una retta ai dati osservati. Il metodo dei minimi quadrati ordinari (OLS) trova la retta che minimizza la somma delle differenze quadratiche tra i valori osservati e quelli previsti.
L'Equazione di Regressione
ŷ = mx + b
- ŷ — il valore previsto della variabile dipendente
- m — la pendenza (tasso di variazione di Y per unità di variazione di X)
- x — il valore della variabile indipendente
- b — l'intercetta y (valore di Y quando X = 0)
Statistiche Chiave Spiegate
- R² (Coefficiente di Determinazione): Misura la proporzione della varianza in Y spiegata da X. Varia da 0 a 1, dove 1 indica un adattamento perfetto.
- r (Coefficiente di Correlazione): Misura la forza e la direzione della relazione lineare tra X e Y. Varia da -1 a +1.
- Errore Standard della Stima: Misura la distanza media tra i valori osservati e la retta di regressione.
- Residui: Le differenze tra i valori Y osservati e i valori Ŷ previsti. In un buon modello, i residui dovrebbero apparire distribuiti casualmente attorno allo zero.
Come Vengono Calcolati Pendenza e Intercetta
- Pendenza (m): m = ∑[(xᵢ - x̄)(yᵢ - ȳ)] / ∑[(xᵢ - x̄)²]
- Intercetta (b): b = ȳ - m · x̄
- R²: R² = 1 - (SS_res / SS_tot), dove SS_res = ∑(yᵢ - ŷᵢ)² e SS_tot = ∑(yᵢ - ȳ)²
Interpretazione dei Valori R²
Adattamento Forte (R² > 0,7)
Il modello spiega una grande proporzione della varianza in Y. La relazione lineare è una buona descrizione dei dati.
Adattamento Moderato (0,4 ≤ R² ≤ 0,7)
Parte della varianza è spiegata, ma altri fattori o un modello non lineare potrebbero fornire un adattamento migliore.
Adattamento Debole (R² < 0,4)
Il modello lineare non spiega gran parte della varianza. Considera altre variabili o un tipo di modello diverso.
Adattamento Perfetto (R² = 1)
Tutti i punti dati cadono esattamente sulla retta di regressione. Questo è raro con dati reali e potrebbe indicare un sovradattamento.
Assunzioni della Regressione Lineare
- Linearità: La relazione tra X e Y è lineare
- Indipendenza: Le osservazioni sono indipendenti l'una dall'altra
- Omoschedasticità: La varianza dei residui è costante a tutti i livelli di X
- Normalità: I residui sono approssimativamente distribuiti normalmente (importante per l'inferenza)
Applicazioni Comuni
Economia e Business
- • Previsione delle vendite dalla spesa pubblicitaria
- • Previsione dei ricavi in base alla dimensione del mercato
- • Stima delle funzioni di costo
- • Modellazione della domanda e dell'offerta
Scienza e Ingegneria
- • Curve di calibrazione in chimica
- • Relazioni dose-risposta
- • Validazione delle leggi fisiche
- • Analisi delle tendenze ambientali
Scienze Sociali
- • Risultati educativi vs. ore di studio
- • Metriche sanitarie e fattori dello stile di vita
- • Tendenze di crescita della popolazione
- • Analisi dei dati dei sondaggi
Riferimenti
Le formule e la metodologia utilizzate in questo calcolatore si basano sulla teoria statistica consolidata delle seguenti fonti:
- NIST/SEMATECH e-Handbook of Statistical Methods — Linear Least Squares Regression
- Yale University Department of Statistics — Linear Regression
- Penn State STAT 501 — Simple Linear Regression
- Khan Academy — Linear Regression Review
- Freedman, D., Pisani, R., & Purves, R. (2007). Statistics (4th ed.). W.W. Norton & Company.
- Montgomery, D. C., Peck, E. A., & Vining, G. G. (2012). Introduction to Linear Regression Analysis (5th ed.). Wiley.
Nota: Questo calcolatore utilizza il metodo dei minimi quadrati ordinari (OLS) per la regressione lineare semplice. I risultati sono validi per le relazioni lineari. Per dati non lineari, considera modelli di regressione polinomiale o di altro tipo. Verifica sempre che le assunzioni della regressione lineare siano soddisfatte prima di trarre conclusioni.
Recommended Calculator
Casio FX-991ES Plus
The professional-grade scientific calculator with 417 functions, natural display, and solar power. Perfect for students and professionals.
View on Amazon