Calculadora de regresión lineal

Calcula en línea la ecuación de regresión lineal, el coeficiente de correlación y el diagrama de dispersión; admite entrada manual, importación de CSV y análisis de datos por lotes.

Informe de error

Modo de ejecución en navegador: Tus datos se procesan en tu navegador y no se suben al servidor.

Velocidad y estabilidad: La velocidad de procesamiento depende de tu dispositivo y navegador. Para lotes grandes, la versión de escritorio puede ser más estable.

Cargando herramienta, espera...

Si la herramienta en línea no carga o no se ejecuta, prueba la herramienta de escritorio. https://tools.yikeaigc.com/

Uso de herramientas

Volver a la versión anterior

Prepare los datos X/Y, configure el modelo y calcule y exporte resultados.

Admite entrada manual, pegar tablas, archivos CSV/TSV/TXT y datos de ejemplo. En cargas por lotes se procesan todos los archivos; la interfaz solo muestra los primeros 20 para revisar.

Ajuste OLS R² / coeficiente de correlación Residuos y valores atípicos Informe / CSV / gráficos Ajustes guardables

Archivos por lotes Ningún archivo seleccionado

Tras subir varios archivos CSV, TSV o TXT, aquí se mostrarán los primeros 20 nombres. En el cálculo por lotes se generarán todos los informes y se descargarán en un paquete.

Datos de entrada

Seleccione una fuente de datos. Cada fila requiere un par de valores X e Y; puede incluir encabezados. El sistema detecta comas, tabuladores, espacios y punto y coma.

Tabla de datos La regresión lineal requiere al menos 2 puntos; la polinómica, más que el grado

N.º	Valor X	Valor Y	Acción

Pegar datos X/Y Admite separación por coma, espacio, tabulación o punto y coma

Datos por lote

Subir archivo de datos Puedes seleccionar varios archivos; se muestran los primeros 20

Haz clic para elegir archivos o arrástralos aquí Admite .csv, .tsv, .txt. Primera columna como X, segunda como Y; puede incluir encabezado.

Datos de ejemplo Se puede cargar y calcular directamente

Configurar modelo

Se recomienda calcular primero una regresión lineal y luego usar el diagrama de dispersión, R² y los residuos para decidir si hace falta un ajuste polinómico.

Modelo de regresiónCuanto mayor sea el grado, más debes vigilar el sobreajuste

Tipo de modelo

Grado personalizado

Decimales

Nivel de confianza

Umbral de atípicos

Predecir valor X

Visualización y diagnósticoMarque lo que debe aparecer en resultados e informes

Diagrama de dispersión y línea de ajuste Banda de confianza Análisis de residuos Detección de valores atípicos Estadísticas descriptivas Comparación de modelos de grado 1-3

Calcular y exportar

Tras calcular, verá ecuación, métricas, gráficos, residuos y predicciones. Si subió varios archivos, se generarán resultados por lotes.

Exportar resultadosCalcule primero para descargar el informe o los gráficos

Configure datos y modelo antes de hacer clic en “Iniciar análisis de regresión”.

Diagrama de dispersión y línea de ajuste

Esperando resultadosConfigure datos y modelo antes de generar gráficos de regresión.

Ecuación de regresión-

Coeficiente de correlación r-

Coeficiente de determinación R²-

Error estándar SE-

Estadísticas clave

Coeficientes e intervalos

Resultados de predicción

Estadísticas descriptivas

Análisis de residuos

Comparación de modelos

Vista previa de resultados por lotes

Instrucciones

Instrucciones de uso del software

Introducir datos: Puede elegir introducirlos manualmente, pegar datos o subir archivos CSV, TSV o TXT. En cada línea, introduzca un par de valores X e Y; el archivo puede incluir encabezados.
Seleccionar modelo: Admite regresión lineal, polinomio cuadrático, polinomio cúbico y orden personalizado. Se recomienda usar primero la regresión lineal y luego decidir, junto con el diagrama de dispersión y los residuos, si es necesario un ajuste de curva.
Configurar parámetros: Puede establecer el número de decimales, el nivel de confianza y el umbral de valores atípicos, y elegir si desea mostrar el diagrama de dispersión, la banda de confianza, el análisis de residuos, la detección de valores atípicos, las estadísticas descriptivas y la comparación de modelos.
Introducir valores de predicción: Si necesita predecir valores Y, puede introducir uno o varios valores X en “Valores X de predicción”, separados por comas.
Iniciar cálculo: Haga clic en “Iniciar cálculo del análisis de regresión”; el sistema generará la ecuación de regresión, el coeficiente de correlación, R², R² ajustado, el error estándar, el estadístico F, el valor p, los residuos y los gráficos.
Exportar resultados: Una vez completado el cálculo, puede copiar la ecuación, descargar el informe TXT y los datos CSV, y exportar gráficos PNG o SVG; los archivos por lotes generarán un paquete de resultados ZIP.

Preguntas frecuentes

R: La regresión lineal requiere al menos 2 puntos de datos válidos; la regresión polinómica requiere que el número de puntos de datos sea mayor que el orden del modelo. Cuantos más datos haya, más estables suelen ser los resultados.

R: El coeficiente de correlación r describe la dirección y la fuerza de la correlación lineal entre X e Y; R² indica la proporción de la variación de los valores Y explicada por el modelo. En la regresión lineal, R² suele estar relacionado con el cuadrado de r.

R: Cuando el diagrama de dispersión muestra una tendencia curva evidente, o cuando el gráfico de residuos presenta una curvatura sistemática, puede probar una regresión polinómica cuadrática o cúbica. El orden no debe ser demasiado alto para evitar sobreajustar los datos existentes.

R: El residuo es la diferencia entre el valor Y real y el valor Y predicho. Observar los residuos permite determinar si el modelo es adecuado y también detectar puntos de datos con grandes desviaciones.

R: Se recomienda que los archivos CSV, TSV o TXT contengan dos columnas: la primera para los valores X y la segunda para los valores Y. Se admiten encabezados y separadores por coma, tabulación, espacio y punto y coma.

R: El intervalo de confianza de la media se usa para estimar el rango de respuesta promedio del modelo, mientras que el intervalo de predicción puntual se usa para estimar el rango de un nuevo valor observado individual; este último suele ser más amplio.