Máy Tính Hồi Quy & Ước Lượng Đường Cong

Máy Tính Hồi Quy & Ước Lượng Đường Cong

Đang tăng trưởng AI Skill PRO

Nhập phép tính

Công thức

y^=A+Bxtrong đó{B=n∑xy−∑x∑yn∑x2−(∑x)2A=∑y−B∑xn\begin{gathered} \hat{y} = A + B\,x \\[1.5em] \text{trong đó}\quad \left\{ \begin{aligned} B &= \frac{n\sum xy - \sum x \sum y}{n\sum x^2 - \left(\sum x\right)^2} \\ A &= \frac{\sum y - B\sum x}{n} \end{aligned} \right. \end{gathered}
Thống kê sử dụng

Quảng cáo

Kết quả

Giá trị ước lượng
122,285714
từ đường cong đã khớp
Hệ số A 1,1428571429
Hệ số B 1,8928571429
Hệ số tương quan (r) 0,994527

Báo lỗi nội dung trang này

Công cụ này làm gì

Công cụ này khớp một mô hình hồi quy đường cong bạn chọn vào bảng các cặp quan sát (x, y) bằng phương pháp bình phương tối thiểu. Kết quả trả về các hệ số đã khớp (A, B, và C đối với mô hình bậc hai), hệ số tương quan r cho biết mô hình mô tả dữ liệu tốt đến mức nào, cùng một giá trị ước lượng được tính trực tiếp từ phương trình đã khớp. Đây là công cụ toán học và thống kê dùng chung trên toàn cầu, không phụ thuộc vào quy định của bất kỳ quốc gia nào.

Bảy mô hình hồi quy

Bạn có thể chọn Tuyến tính \(y = A + B\cdot x\), Logarit \(y = A + B\cdot \ln x\), Mũ cơ số e \(y = A\cdot e^{Bx}\), Mũ dạng ab \(y = A\cdot B^{x}\), Lũy thừa \(y = A\cdot x^{B}\), Nghịch đảo \(y = A + B/x\), hoặc Bậc hai \(y = A + B\cdot x + C\cdot x^{2}\). Tất cả các mô hình trừ bậc hai đều được khớp bằng cách tuyến tính hóa về dạng \(Y = a + b\cdot X\) rồi áp dụng bình phương tối thiểu thông thường; riêng mô hình bậc hai được giải từ hệ phương trình chuẩn \(3\times 3\) của nó.

Bảy biểu đồ phân tán nhỏ, mỗi cái khớp với một dạng đường hồi quy khác nhau
So sánh bảy mô hình đường cong: khớp tuyến tính, logarit, hàm mũ, hàm lũy thừa, nghịch đảo và bậc hai.

Cách sử dụng

Nhập các giá trị x và y dưới dạng danh sách ngăn cách bằng dấu phẩy có độ dài bằng nhau, chọn loại hồi quy, quyết định bạn muốn ước lượng y từ x hay x từ y, rồi nhập giá trị đầu vào đã biết. Máy tính sẽ trả về các hệ số, hệ số tương quan r và giá trị ước lượng.

Giải thích công thức

Với các cặp đã tuyến tính hóa (X, Y): $$b = \frac{S_{xy}}{S_{xx}} \qquad a = \bar{Y} - b\cdot \bar{X}$$ trong đó \(S_{xx} = \sum X^2 - n\bar{X}^2\) và \(S_{xy} = \sum XY - n\bar{X}\bar{Y}\). Hệ số tương quan là $$r = \frac{S_{xy}}{\sqrt{S_{xx}\cdot S_{yy}}}$$ Sau đó các hệ số được thay ngược trở lại (chẳng hạn \(A = e^{a}\) trong mô hình mũ và lũy thừa).

Quảng cáo
Tập điểm phân tán với đường khớp tốt nhất và các đoạn phần dư thẳng đứng
Phương pháp bình phương tối thiểu khớp đường cong sao cho tổng bình phương khoảng cách thẳng đứng (phần dư) đến các điểm là nhỏ nhất.

Ví dụ minh họa

Với x = [1,2,3,4,5,6,7] và y = [3,5,7,8,11,13,14] khi khớp tuyến tính: \(S_{xx} = 28\), \(S_{xy} = 53\), nên $$B = \frac{53}{28} = 1{,}892857 \qquad A = 8{,}714286 - 1{,}892857\cdot 4 = 1{,}142857$$ Hệ số tương quan là $$r = \frac{53}{\sqrt{28\cdot 101{,}4286}} = 0{,}99453$$ Ước lượng y tại x = 64 cho $$1{,}142857 + 1{,}892857\cdot 64 = 122{,}2857$$ (đây là phép ngoại suy vượt xa khỏi phạm vi dữ liệu).

Từng bước: Khớp một đường cong bằng tay

  1. Chọn mô hình. Chọn tuyến tính, logarit, mũ (dạng e hoặc dạng ab), lũy thừa, nghịch đảo hoặc bậc hai, dựa trên hình dạng của biểu đồ phân tán và những gì bạn biết về quá trình.
  2. Kiểm tra giới hạn miền xác định. Logarit cần x > 0. Hàm mũ cần y > 0. Hàm lũy thừa cần cả x > 0 và y > 0. Hàm nghịch đảo cần x ≠ 0. Nếu có điểm dữ liệu nào vi phạm quy tắc, mô hình đó không thể khớp với dữ liệu.
  3. Biến đổi dữ liệu. Thay x và y bằng X và Y theo yêu cầu của mô hình: X = ln x, Y = ln y, hoặc X = 1/x. Giữ nguyên một biến nếu mô hình không biến đổi biến đó.
  4. Tính các tổng, trung bình và tổng bình phương trên dữ liệu đã biến đổi (n điểm):
    $$S_{xx}=\sum X^2-\frac{(\sum X)^2}{n},\quad S_{xy}=\sum XY-\frac{\sum X\,\sum Y}{n},\quad S_{yy}=\sum Y^2-\frac{(\sum Y)^2}{n}$$ và các trung bình \(\bar X=\sum X/n\), \(\bar Y=\sum Y/n\).
  5. Tìm hệ số góc và hệ số chặn của đường thẳng \(Y = a + bX\):
    $$b=\frac{S_{xy}}{S_{xx}},\qquad a=\bar Y-b\,\bar X$$
  6. Thế ngược để tìm các tham số gốc. Với mô hình mũ dạng ab, \(A=e^{a}\) và \(B=e^{b}\). Với mô hình mũ dạng e và lũy thừa, \(A=e^{a}\) và \(B=b\). Với mô hình logarit và nghịch đảo, \(A=a\) và \(B=b\).
  7. Tính hệ số tương quan:
    $$r=\frac{S_{xy}}{\sqrt{S_{xx}\,S_{yy}}}$$ Giá trị này được tính trên dữ liệu đã biến đổi.
  8. Ước lượng. Đưa x của bạn vào phương trình đã khớp (ví dụ \(\hat y = A\,x^{B}\) với khớp lũy thừa). Để ước lượng x từ một y cho trước, biến đổi phương trình và kiểm tra xem kết quả có nằm trong miền xác định của mô hình hay không.

Ghi chú về hàm bậc hai. Hàm bậc hai \(\hat y = A + Bx + Cx^2\) không được tuyến tính hóa. Thay vào đó, hãy giải hệ phương trình chuẩn 3×3:

$$\begin{aligned}\sum y &= nA + B\sum x + C\sum x^2\\ \sum xy &= A\sum x + B\sum x^2 + C\sum x^3\\ \sum x^2y &= A\sum x^2 + B\sum x^3 + C\sum x^4\end{aligned}$$

Bạn cần các tổng Σx, Σx², Σx³, Σx⁴, Σy, Σxy và Σx²y. Giải hệ bằng quy tắc Cramer hoặc khử Gauss. Cần ít nhất ba giá trị x khác nhau.

Quảng cáo

Các phép biến đổi tuyến tính hóa theo mô hình

Mô hình Phương trình X đã biến đổi Y đã biến đổi Dạng tuyến tính Thế ngược (a, b lấy từ đường thẳng) Giới hạn miền xác định
Tuyến tính \(y = A + Bx\) x y \(y = a + bx\) A = a, B = b Không có
Logarit \(y = A + B\ln x\) ln x y \(y = a + bX\) A = a, B = b x > 0
Mũ (dạng e) \(y = A e^{Bx}\) x ln y \(\ln y = a + bx\) A = ea, B = b y > 0
Mũ (dạng ab) \(y = A B^{x}\) x ln y \(\ln y = a + bx\) A = ea, B = eb y > 0
Lũy thừa \(y = A x^{B}\) ln x ln y \(\ln y = a + bX\) A = ea, B = b x > 0 và y > 0
Nghịch đảo \(y = A + B/x\) 1/x y \(y = a + bX\) A = a, B = b x ≠ 0
Bậc hai \(y = A + Bx + Cx^2\) Không tuyến tính hóa Giải hệ phương trình chuẩn 3×3 A, B, C lấy trực tiếp từ nghiệm Không có (cần ít nhất 3 giá trị x khác nhau)

Hai dạng hàm mũ e và ab mô tả cùng một họ đường cong: \(B_{ab}=e^{B_{e}}\). Chúng cho cùng một kết quả khớp và cùng một r.

Diễn giải r và lựa chọn giữa các mô hình

  • Phạm vi và dấu. r nằm giữa −1 và 1. r dương nghĩa là Y có xu hướng tăng theo X, còn r âm nghĩa là Y có xu hướng giảm. |r| gần 1 cho thấy mức khớp mạnh với dạng đã khớp, còn |r| gần 0 cho thấy mức khớp yếu.
  • Các mô hình đã biến đổi. Với các khớp logarit, mũ, lũy thừa và nghịch đảo, r được tính trên dữ liệu đã biến đổi (ví dụ ln y theo ln x). Vì vậy nó không thể so sánh trực tiếp với r của khớp tuyến tính trên thang đo gốc. Việc so sánh các mô hình theo r chỉ là hướng dẫn sơ bộ.
  • r² (phương sai được giải thích). r² là tỷ lệ phương sai của Y (đã biến đổi) được đường thẳng đã khớp giải thích. Ví dụ, r = 0,90 cho r² = 0,81, nghĩa là khoảng 81% phương sai được giải thích.
  • Tương quan không phải là quan hệ nhân quả. r cao không chứng minh rằng một biến gây ra biến kia, cũng không chứng minh rằng mô hình đã chọn là mối quan hệ thực sự. Các đường cong khác nhau có thể khớp với cùng dữ liệu gần như ngang nhau.
  • Kiểm tra phần dư. Vẽ đồ thị hiệu giữa giá trị quan sát và giá trị đã khớp. Chúng nên phân bố ngẫu nhiên quanh 0. Một mẫu rõ ràng, chẳng hạn một đường cong hoặc hình phễu, cho thấy mô hình không phù hợp, ngay cả khi r cao.
  • Rủi ro ngoại suy. Các ước lượng nằm trong khoảng dữ liệu x của bạn (nội suy) thường đáng tin cậy hơn nhiều so với ước lượng nằm ngoài khoảng đó. Các đường cong mũ, lũy thừa và bậc hai có thể phân kỳ mạnh khi vượt ra ngoài dữ liệu.
  • Bậc hai so với tuyến tính. Một hàm bậc hai luôn khớp ít nhất tốt bằng mô hình tuyến tính trên cùng dữ liệu, vì nó có nhiều tham số hơn và chứa mô hình tuyến tính như một trường hợp đặc biệt (C = 0). Vì vậy, chỉ riêng việc khớp tốt hơn không đủ để biện minh cho số hạng bổ sung. Nên ưu tiên mô hình đơn giản hơn trừ khi mức cải thiện có ý nghĩa và độ cong phù hợp với quá trình.
  • Cỡ mẫu. Với rất ít điểm, ngay cả r cao cũng có thể xuất hiện do ngẫu nhiên. Hãy sử dụng càng nhiều dữ liệu càng tốt trong thực tế.

Câu hỏi thường gặp

Diễn giải hệ số r như thế nào? Một cách tương đối: \(0{,}7 < |r| \le 1\) là tương quan mạnh, \(0{,}4 < |r| < 0{,}7\) là trung bình, \(0{,}2 < |r| < 0{,}4\) là yếu, dưới \(0{,}2\) là không đáng kể.

Vì sao một số mô hình bị loại? Mô hình logarit và lũy thừa yêu cầu \(x > 0\), mô hình mũ và lũy thừa yêu cầu \(y > 0\), còn mô hình nghịch đảo yêu cầu \(x \ne 0\), bởi các phép biến đổi logarit hoặc nghịch đảo cần điều kiện này.

Tôi có thể ngoại suy không? Có, nhưng các ước lượng nằm ngoài phạm vi dữ liệu quan sát là phép ngoại suy và cần được sử dụng một cách thận trọng.

Cập nhật lần cuối:

Phổ biến nhất trong Toán học và Thống kê

Xem tất cả máy tính Toán học và Thống kê