Calculatrice de régression linéaire

• Calcul instantané de la régression linéaire : collez n'importe quel jeu de données x-y et obtenez instantanément l'équation de régression, la pente, l'ordonnée à l'origine, R², le r de Pearson, les erreurs standard et les résidus. La calculatrice utilise la méthode des moindres carrés pour des résultats exacts et traite tout dans votre navigateur sans temps de chargement.
• Calculatrice de régression linéaire en ligne sécurisée : la calculatrice s'exécute entièrement côté client dans votre navigateur. Vos données ne sont jamais envoyées à un serveur, stockées ni suivies - confidentialité totale pour les jeux de données académiques, professionnels et de recherche.
• Calculatrice de régression linéaire - sans installation : utilisez la calculatrice directement dans n'importe quel navigateur moderne, sans téléchargement, application ni module. Collez des données dans n'importe quel format courant (séparées par des virgules, des espaces ou des tabulations), utilisez le module de prédiction intégré et consultez le tableau des résidus - 100 % gratuit pour toujours.
• Nuage de points, résidus et module de prédiction : la calculatrice génère un nuage de points avec la droite de régression et les lignes de résidus, un tableau complet des résidus et un module de prédiction intégré - saisissez n'importe quelle valeur de x pour calculer instantanément le ŷ prédit. La force de la corrélation est étiquetée (Très forte, Forte, Modérée, Faible).

• Prévision commerciale et ventes : les analystes commerciaux utilisent la régression linéaire pour modéliser la relation entre les dépenses publicitaires et le chiffre d'affaires, ou entre le temps et le volume des ventes. La calculatrice donne l'équation exacte et le R² pour quantifier la qualité de l'ajustement du modèle linéaire.
• Recherche scientifique et analyse de données : les chercheurs utilisent la régression linéaire pour trouver des relations entre variables expérimentales - température et vitesse de réaction, dose et réponse, ou temps et croissance. La calculatrice fournit la pente, l'ordonnée à l'origine et les erreurs standard à publier dans les articles.
• Économie et finance : les économistes modélisent les relations entre variables économiques comme le PIB et le chômage, ou les taux d'intérêt et les prix immobiliers. Le R² de la calculatrice indique quelle part de la variation d'une variable est expliquée par l'autre.
• Apprentissage automatique et science des données : les data scientists utilisent la régression linéaire simple comme modèle de référence et pour l'analyse des variables. La calculatrice fournit les coefficients exacts des moindres carrés et les résidus nécessaires pour évaluer l'ajustement du modèle avant de passer à des algorithmes plus complexes.
• Éducation et travaux de statistiques : les étudiants en statistiques utilisent la calculatrice pour vérifier les calculs manuels, comprendre la relation entre pente, ordonnée à l'origine et R², et visualiser l'ajustement de la droite de régression aux données grâce au nuage de points.
• Ingénierie et contrôle qualité : les ingénieurs utilisent la régression linéaire pour les courbes d'étalonnage, le contrôle des procédés et l'analyse de fiabilité. Le tableau des résidus de la calculatrice aide à identifier les valeurs aberrantes et à juger si le modèle linéaire convient aux données.

La régression linéaire est une méthode statistique qui modélise la relation entre une variable dépendante (y) et une variable indépendante (x) par une droite : ŷ = mx + b. La pente (m) représente de combien y change pour chaque unité d'augmentation de x. L'ordonnée à l'origine (b) est la valeur prédite de y lorsque x = 0. La méthode des moindres carrés trouve la droite qui minimise la somme des carrés des résidus (les écarts entre les valeurs observées et prédites de y). Notre calculatrice de régression linéaire calcule la solution exacte des moindres carrés, avec R², le r de Pearson, les erreurs standard et un nuage de points avec la droite de régression.

1. Saisissez vos données : collez des paires de données x-y dans la zone de texte - une paire par ligne, séparée par une virgule, un espace ou une tabulation. Par exemple : « 1, 2.5 » ou « 1 2.5 ». Cliquez sur « Charger un exemple » pour voir le format. La calculatrice accepte n'importe quel nombre de points de données (minimum 2).
2. Calcul instantané des moindres carrés : cliquez sur « Calculer la régression » et la calculatrice calcule la pente et l'ordonnée à l'origine avec les formules des moindres carrés, puis dérive R², le r de Pearson, les erreurs standard et les résidus. Tous les calculs s'exécutent localement dans votre navigateur - vos données ne sont jamais envoyées à un serveur.
3. Consultez les résultats et prédisez : la calculatrice affiche l'équation de régression, un nuage de points avec la droite de régression et les lignes de résidus, les statistiques clés, un tableau des résidus et un module de prédiction intégré où vous pouvez saisir n'importe quelle valeur de x pour obtenir instantanément le ŷ prédit.

• Pente (m) et ordonnée à l'origine (b) : les coefficients de la droite de régression ŷ = mx + b, calculés avec les formules des moindres carrés. Les erreurs standard des deux coefficients sont également affichées.
• R² (coefficient de détermination) : la proportion de la variance de y expliquée par x. R² = 1 signifie un ajustement parfait ; R² = 0 signifie que la droite n'explique aucune variance. R² = 1 − SS_res / SS_tot.
• r de Pearson (coefficient de corrélation) : la force et le sens de la relation linéaire, de −1 (négative parfaite) à +1 (positive parfaite). r = √R² × signe(pente).
• Résidus : les écarts entre les valeurs observées de y et les valeurs prédites ŷ (y − ŷ). Des résidus importants indiquent des points qui s'écartent de la tendance linéaire. Le tableau des résidus et le nuage de points montrent tous les résidus visuellement.

R² vous indique quel pourcentage de la variation de y est expliqué par la relation linéaire avec x. Un R² de 0,85 signifie que 85 % de la variance de y est expliquée par x. Le r de Pearson s'interprète ainsi : |r| ≥ 0,9 (très forte), 0,7-0,9 (forte), 0,5-0,7 (modérée), 0,3-0,5 (faible), <0,3 (très faible ou nulle). Notez que corrélation n'implique pas causalité - un R² élevé signifie seulement que le modèle linéaire s'ajuste bien aux données, et non que x cause y.