Kalkylator för kvadratisk regression

📐 Kvadratisk regression är en statistisk teknik för att modellera samband där den beroende variabeln följer ett paraboliskt eller U-format mönster snarare än en rak linje. Den allmänna ekvationen är y = ax² + bx + c, där a styr parabelns krökning och riktning (positiv a öppnar uppåt, negativ a öppnar nedåt), b representerar den linjära komponenten eller lutningen av kurvan, och c är det förutsedda värdet för x. Till skillnad från linjär regression, som passar en rät linje och förutsätter en konstant förändringshastighet, fångar kvadratisk regression fenomen där själva förändringshastigheten förändras - det vill säga där förhållandet accelererar eller bromsar över intervallet av x-värden. Detta gör det till en naturlig förlängning av linjär regression: medan linjär regression modellerar en konstant lutning, lägger kvadratisk regression till en andra term som tillåter lutningen att variera, vilket ger en kurva med en enda vändpunkt (punkten). Exempel på verkligheten inkluderar: (1) Fysik — projektilrörelse följer en parabolbåge där höjden först ökar och sedan minskar som en funktion av tiden;

📈 (2) Ekonomi — kostnadsfunktioner uppvisar ofta en U-form där genomsnittskostnaderna först minskar på grund av minskande skalfördelar och sedan minskar skalfördelar; (3) Biologi — dos-responskurvor där effektiviteten ökar med dosen upp till ett optimum och sedan minskar på grund av toxicitet;

🌍 (4) Jordbruk — skörd kontra gödseltillförsel visar minskande och så småningom negativ avkastning vid höga nivåer — Yerkes-Dodsons lag beskriver ett inverterat U-förhållande mellan upphetsning och prestation. De tre koefficienterna a, b och c bestäms genom att lösa normalekvationerna - ett system med tre linjära ekvationer byggda av summor av potenser av x och korsprodukter med y - med hjälp av Gauss eliminering eller matrismetoder. Metoden med minsta kvadrater säkerställer att den resulterande parabeln minimerar summan av kvadratiska vertikala avstånd mellan observerade och förutspådda y-värden, vilket ger bästa möjliga kvadratiska anpassning till data.