04 // 交互式科学公式百科 // 概率分布、回归分析与信息熵公式r = Cov(X, Y) / (s_X · s_Y), β₁ = r · (s_Y / s_X)
皮尔逊相关系数与最小二乘线性回归斜率公式
度量两个变量间 [−1, +1] 范围内的线性相关强弱，并推导误差平方和最小的最佳拟合直线斜率与截距。
公式速查卡
核心公式
r = Cov(X, Y) / (s_X · s_Y), β₁ = r · (s_Y / s_X)
变形公式
β₀ = ȳ − β₁ · x̄
R² = 1 − (SS_res / SS_tot)
变量说明与单位
| Symbol | Name | Unit |
|---|---|---|
| b1 | OLS Regression Slope β₁ | ΔY / ΔX |
| r | Pearson Correlation r | −1 to +1 |
| sy | Sample Std Dev s_Y | Y units |
| sx | Sample Std Dev s_X | X units |
输入数值与参数
[−1 to +1]
[Y units]
[X units]
计算结果 (OLS Regression Slope β₁)
b1 =2.46ΔY / ΔX
公式说明与推导背景
- Setting partial derivatives ∂/∂β₀ and ∂/∂β₁ of S(β₀,β₁) = ∑(y_i − β₀ − β₁x_i)² to zero yields the normal equations: ȳ = β₀ + β₁x̄ and β₁ = S_xy / S_xx.
- In simple bivariate linear regression, the coefficient of determination R² equals the square of Pearson's r.
分步计算实例
#1: Study hours X (s_X = 6.0 hr) vs. exam score Y (s_Y = 18.0 pts) with observed correlation r = 0.82.
r = 0.82s_Y = 18.0s_X = 6.0
β₁ = 0.82 × (18.0 / 6.0) = 0.82 × 3.0; R² = 0.82²
→ Slope β₁ = +2.46 pts/hr; R² = 0.6724 (67.2% variance explained)
#2: Regression to the mean: if a student scores +2σ above mean on X with r = 0.60, what is expected Z_Y?
Z_X = +2.0r = 0.60
E[Z_Y | Z_X] = r · Z_X = 0.60 × 2.0
→ Z_Y = +1.20 standard deviations
这个工具对您有帮助吗？
常见问题解答 (FAQ)
如何使用在线 皮尔逊相关系数与最小二乘线性回归斜率公式 工具？+
输入已知参数或拖动滑块，即可在浏览器中实时计算并可视化 皮尔逊相关系数与最小二乘线性回归斜率公式（基于关系式 r = Cov(X, Y) / (s_X · s_Y), β₁ = r · (s_Y / s_X)）。度量两个变量间 [−1, +1] 范围内的线性相关强弱，并推导误差平方和最小的最佳拟合直线斜率与截距。
可以导出或打印 皮尔逊相关系数与最小二乘线性回归斜率公式 的结果吗？+
可以。支持一键复制数据、打印计算工作表或导出高清 SVG、PNG 和 CSV 文件。
我可以清空 皮尔逊相关系数与最小二乘线性回归斜率公式 中的示例数据并从空白状态开始吗？+
可以。点击工具顶部的“清空 / 空白开始”按钮即可重置所有输入项，随时也可一键重新加载示例数据。