Kết nối qua MCP →

Nhập phép tính

Enter one (x, y) pair per line, e.g. 1,2. Lines may be separated by new lines or semicolons.

Công thức

Quảng cáo

Kết quả

Phương trình đã khớp
y = 1.3 + 0.9x
based on 5 data points
A (hệ số chặn / tỉ lệ) 1,3
B (hệ số góc / số mũ) 0,9
Hệ số tương quan r 0,9
Trung bình của x (vùng tính toán) 3
Trung bình của y (vùng tính toán) 4
Bảng tham chiếu mức độ tương quan (|r|):
  • 0.7 < |r| ≤ 1 — strong correlation
  • 0.4 < |r| < 0.7 — moderate correlation
  • 0.2 < |r| < 0.4 — weak correlation
  • 0 ≤ |r| < 0.2 — no correlation

Công cụ này làm gì?

Công cụ phân tích hồi quy đường cong giúp bạn khớp một đường cong toán học đã chọn với bảng các điểm dữ liệu (x, y). Kết quả trả về gồm các hệ số được khớp (A, B và thêm C với mô hình bậc hai), phương trình tường minh đã khớp, cùng hệ số tương quan r cho biết đường cong khớp với dữ liệu của bạn tốt đến mức nào. Đây hoàn toàn là thống kê thuần túy nên áp dụng được ở mọi nơi như nhau — tất cả giá trị đều là số không thứ nguyên, không kèm đơn vị.

Các mô hình được hỗ trợ

Bạn có thể khớp bảy họ đường cong: Tuyến tính (\(y = A + B\cdot x\)), Logarit (\(y = A + B\cdot \ln x\)), Hàm mũ cơ số e (\(y = A\cdot e^{B\cdot x}\)), Hàm mũ ab (\(y = A\cdot B^{x}\)), Lũy thừa (\(y = A\cdot x^{B}\)), Nghịch đảo (\(y = A + B/x\)) và Bậc hai (\(y = A + B\cdot x + C\cdot x^{2}\)). Mọi mô hình không phải bậc hai đều được khớp bằng cách biến đổi các biến (lấy logarit hoặc nghịch đảo), chạy bình phương tối thiểu thông thường, rồi biến đổi ngược để thu lại các hệ số.

Sáu biểu đồ phân tán nhỏ thể hiện các hình dạng đường cong khớp khác nhau trên cùng trục tọa độ
Sáu mô hình hồi quy được hỗ trợ và hình dạng đường cong đặc trưng của chúng.

Cách sử dụng

Nhập dữ liệu với mỗi dòng một cặp (x, y), ví dụ 1,2. Chọn loại hồi quy trong danh sách thả xuống, đặt số chữ số hiển thị rồi gửi đi. Mô hình logarit và lũy thừa yêu cầu mọi \(x > 0\); mô hình hàm mũ và lũy thừa yêu cầu mọi \(y > 0\); mô hình nghịch đảo yêu cầu \(x \neq 0\). Mô hình bậc hai cần ít nhất ba điểm.

Quảng cáo

Giải thích công thức

Với các biến đã biến đổi u và v, bình phương tối thiểu cho hệ số góc $$B = \frac{N\sum uv - \sum u\sum v}{N\sum u^{2} - (\sum u)^{2}}$$ và hệ số chặn $$A = \frac{\sum v - B\sum u}{N}.$$ Hệ số tương quan r dùng cùng tử số đó chia cho căn bậc hai của tích các đại lượng biến thiên theo x và y. Với các mô hình phi tuyến, A và B được khôi phục bằng \(\exp(\dots)\) sau khi khớp trong không gian logarit.

Ví dụ minh họa (Tuyến tính)

Dữ liệu: (1,2), (2,3), (3,5), (4,4), (5,6). Ở đây \(N=5\), \(\sum x=15\), \(\sum y=20\), \(\sum x^{2}=55\), \(\sum xy=69\), \(\sum y^{2}=90\). Khi đó $$B = \frac{5\cdot 69 - 15\cdot 20}{5\cdot 55 - 225} = \frac{45}{50} = 0{,}9$$ và $$A = \frac{20 - 0{,}9\cdot 15}{5} = 1{,}3.$$ Đường thẳng khớp là \(y = 1{,}3 + 0{,}9x\) với \(r = \frac{45}{\sqrt{50\cdot 50}} = 0{,}9\), một mức tương quan dương mạnh.

Quảng cáo
Biểu đồ phân tán với các điểm dữ liệu và đường thẳng khớp tốt nhất, thể hiện khoảng cách phần dư theo phương dọc
Phương pháp bình phương tối thiểu giảm thiểu khoảng cách dọc giữa các điểm và đường thẳng.

Câu hỏi thường gặp

r có ý nghĩa gì? Giá trị \(|r|\) trên 0,7 cho thấy tương quan mạnh, 0,4–0,7 là trung bình, 0,2–0,4 là yếu, và dưới 0,2 thì hầu như không có tương quan.

Vì sao mô hình hàm mũ không chấp nhận y âm? Việc khớp được thực hiện trên \(\ln(y)\), vốn không xác định với giá trị không dương, nên các mô hình này yêu cầu \(y > 0\).

Nên chọn mô hình nào? Hãy vẽ dữ liệu trước: dữ liệu gần như thẳng hợp với mô hình tuyến tính, tăng trưởng tăng tốc hợp với hàm mũ hoặc lũy thừa, còn đường cong có một chỗ uốn thì hợp với mô hình bậc hai.

Cập nhật lần cuối: