Calculateur de droite de régression par moindres carrés

La droite de régression par moindres carrés, aussi appelée droite de meilleur ajustement, est la droite qui minimise la somme des carrés des distances verticales entre chaque point observé et la droite. Pour un jeu d'observations appariées (x, y), la droite de régression prend la forme ŷ = mx + b, où m est la pente et b l'ordonnée à l'origine. En élevant les résidus au carré avant de les additionner, la méthode pénalise davantage les grands écarts que les petits et empêche les erreurs positives et négatives de s'annuler. Les formules de la pente et de l'ordonnée à l'origine sont obtenues en prenant les dérivées partielles de l'erreur quadratique totale par rapport à m et b, puis en les annulant. Le résultat est : m = (n·Σxy − Σx·Σy) / (n·Σx² − (Σx)²) et b = (Σy − m·Σx) / n, où n est le nombre de points de données. Ce calculateur utilise ces expressions exactes sous forme fermée ; le résultat est donc mathématiquement précis, sans approximation itérative. Le coefficient de corrélation r mesure à quel point les données se regroupent autour de la droite de régression. Il varie de −1 à +1. Une valeur proche de +1 indique une forte relation linéaire positive (lorsque x augmente, y augmente proportionnellement) ; une valeur proche de −1 indique une forte relation linéaire négative ; une valeur proche de 0 suggère peu ou pas d'association linéaire. Le coefficient de détermination R² = r² indique la proportion de la variance de y expliquée par x ; par exemple, R² = 0.90 signifie que la droite de régression explique 90% de la variabilité des valeurs de y. La régression par moindres carrés est employée en sciences, ingénierie, économie, sciences sociales et apprentissage automatique. Parmi les applications courantes figurent la prédiction des ventes à partir des dépenses publicitaires, la modélisation du lien entre température et consommation d'énergie, l'étalonnage d'instruments, l'ajustement de tendances à des séries temporelles et la création d'une base pour des modèles plus complexes, comme la régression linéaire multiple et la régression polynomiale. Lors de l'interprétation des résultats, rappelez-vous que corrélation ne signifie pas causalité : une valeur élevée de r signifie que les deux variables évoluent ensemble de façon linéaire, pas nécessairement que l'une cause l'autre. De plus, la droite de régression n'est valable que pour l'interpolation dans la plage de vos valeurs x observées ; extrapoler loin au-delà peut donner des prédictions peu fiables. Enfin, quelques valeurs aberrantes influentes peuvent déplacer sensiblement la droite de régression ; examinez toujours un nuage de points avec les statistiques afin de repérer les anomalies évidentes. Ce calculateur accepte n'importe quel nombre de points de données appariés, avec un minimum de deux. Saisissez les valeurs x dans un champ et les valeurs y correspondantes dans l'autre, séparées par des virgules. Le résultat comprend l'équation de régression, la pente, l'ordonnée à l'origine, le coefficient de corrélation, R² et les moyennes de x et y.