Kalkulator regresji kwadratowej

📐 Regresja kwadratowa to technika statystyczna służąca do modelowania relacji, w której zmienna zależna ma wzór paraboliczny lub w kształcie litery U, a nie linię prostą. Ogólne równanie to y = ax² + bx + c, gdzie a steruje krzywizną i kierunkiem paraboli (dodatnie a otwiera się w górę, ujemne a otwiera się w dół), b reprezentuje składową liniową lub nachylenie krzywej, a c to punkt przecięcia z y — przewidywaną wartością y, gdy x jest równe zero. W przeciwieństwie do regresji liniowej, która dopasowuje linię prostą i zakłada stałą szybkość zmian, regresja kwadratowa rejestruje zjawiska, w których zmienia się samo tempo zmian — to znaczy, gdy zależność przyspiesza lub zwalnia w zakresie wartości x. To sprawia, że ​​jest to naturalne przedłużenie regresji liniowej: podczas gdy regresja liniowa modeluje stałe nachylenie, regresja kwadratowa dodaje drugi człon, który pozwala na zmianę nachylenia, tworząc krzywą z jednym punktem zwrotnym (wierzchołkiem). Przykłady ze świata rzeczywistego obejmują: (1) fizyka — ruch pocisku przebiega po łuku parabolicznym, gdzie wysokość najpierw wzrasta, a następnie maleje w funkcji czasu;

📈 (2) ekonomia — funkcje kosztów często mają kształt litery U, gdzie średnie koszty najpierw maleją ze względu na korzyści skali, a następnie rosną z powodu malejących zysków;

📊 (3) Biologia — krzywe dawka-odpowiedź, gdzie skuteczność wzrasta wraz z dawką aż do wartości optymalnej, a następnie maleje z powodu toksyczności;

🌍 (4) Rolnictwo — plony w porównaniu do stosowania nawozów wykazują malejące, a ostatecznie ujemne zyski na wysokich poziomach;

📊 (5) Psychologia — prawo Yerkesa-Dodsona opisuje zależność odwróconego U między pobudzeniem a wydajnością. Trzy współczynniki a, b i c wyznacza się poprzez rozwiązanie równań normalnych — układu trzech równań liniowych zbudowanych z sum potęg x i iloczynów krzyżowych z y — przy użyciu metody eliminacji Gaussa lub metod macierzowych. Metoda najmniejszych kwadratów gwarantuje, że otrzymana parabola minimalizuje sumę kwadratów odległości pionowych pomiędzy obserwowanymi i przewidywanymi wartościami y, zapewniając najlepsze możliwe kwadratowe dopasowanie danych.