Калькулятор квадратичной регрессии

📐 Квадратичная регрессия – это статистический метод моделирования взаимосвязей, при котором зависимая переменная следует параболической или U-образной форме, а не прямой линии. Общее уравнение: y = ax² + bx + c, где a управляет кривизной и направлением параболы (положительное значение a открывается вверх, отрицательное значение a открывается вниз), b представляет собой линейную составляющую или наклон кривой, а c – это точка пересечения оси y — прогнозируемое значение y, когда x равно нулю. В отличие от линейной регрессии, которая соответствует прямой линии и предполагает постоянную скорость изменения, квадратичная регрессия фиксирует явления, при которых меняется сама скорость изменения, то есть когда взаимосвязь ускоряется или замедляется в диапазоне значений x. Это делает ее естественным продолжением линейной регрессии: в то время как линейная регрессия моделирует постоянный наклон, квадратичная регрессия добавляет второй член, который позволяет наклону изменяться, создавая кривую с единственной точкой поворота (вершиной). Примеры из реальной жизни: (1) Физика – движение снаряда следует по параболической дуге, при которой высота сначала увеличивается, а затем уменьшается в зависимости от времени;

📈 (2) Экономика – функции затрат часто имеют U-образную форму, где средние затраты сначала уменьшаются из-за эффекта масштаба, а затем увеличиваются из-за убывающей отдачи;

📊 (3) Биология – кривые «доза-реакция», где эффективность увеличивается с увеличением дозы до оптимальной, а затем снижается из-за токсичности;

🌍 (4) Сельское хозяйство — урожайность сельскохозяйственных культур по сравнению с применением удобрений показывает снижение и, в конечном итоге, отрицательную отдачу на высоких уровнях;

📊 (5) Психология — закон Йеркса-Додсона описывает зависимость в форме перевернутой U между возбуждением и производительностью. Три коэффициента a, b и c определяются путем решения нормальных уравнений — системы трех линейных уравнений, построенных из сумм степеней x и векторных произведений на y — с использованием методов исключения Гаусса или матричных методов. Метод наименьших квадратов гарантирует, что полученная парабола минимизирует сумму квадратов вертикальных расстояний между наблюдаемыми и прогнозируемыми значениями y, обеспечивая наилучшее квадратичное соответствие данным.