Exemple 1
\(\text{Points: } (1,2), (2,4), (3,5), (4,4), (5,5) \rightarrow y = 0.6x + 2.2, R^2 = 0.64\)
Régression Linéaire
Effectuer une analyse de régression linéaire avec corrélation et prédiction
Résultats
Entrez les valeurs et cliquez sur Calculer pour voir le résultat.
Régression linéaire
La régression linéaire trouve la droite qui ajuste le mieux un ensemble de points de données en utilisant la méthode des moindres carrés.
- Pente (m): La pente de la droite de régression ; combien y change par unité de variation de x.
- Ordonnée à l'origine (b): La valeur de y où la droite croise l'axe des y (lorsque x = 0).
- R²: Coefficient de détermination ; la proportion de variance de y expliquée par x (de 0 à 1).
- Corrélation (r): Coefficient de corrélation de Pearson mesurant la force et la direction de la relation linéaire (de −1 à +1).
La droite de régression est la droite qui minimise la somme des distances verticales au carré entre les points de données.
\(y = mx + b, m = \frac{n\sum xy - \sum x \sum y}{n\sum x^2 - (\sum x)^2}, b = \bar{y} - m\bar{x}\)
Exemples Résolus
Exemple 2
\(\text{Study hours vs test scores} \rightarrow \text{Find relationship and predict outcomes}\)