データセットを準備
Y と X の対応データを集め、外れ値確認と数値列の整備を行います。
新機能：AIインフォグラフィック — ひとつのプロンプトでデータとアイデアを共有できるグラフィックに。 今すぐ試す
ブラウザ内回帰分析
線形回帰計算機
ブラウザだけで直線当てはめ、傾き・切片の計算、2変数関係の強さの把握ができます。
- スプレッドシートをアップロード、または編集可能な表に値を直接貼り付け。
- 回帰係数、R²、残差診断を即時生成。
- インタラクティブ散布図で当てはめ直線を可視化し、資料作成にも活用。
回帰プロジェクトを保存
サインインすると、ワークスペース同期、可視化出力、チーム共同作業を vizGPT 上で行えます。
Data table
Import a CSV or edit values directly. The first column is treated as X and the second as Y.
Linear regression dataset
Enter paired X and Y values, paste from a spreadsheet, or import a CSV to get started.
No values yet
Add at least two rows of paired X and Y numbers to run the regression.
Linear regression summary
Choose a demo dataset or analyze your own CSV. Click calculate to update the metrics and visualization.
Study Hours vs Exam Score
Ten students recorded how many hours they studied for an exam and the score they achieved. The relationship is close to linear and shows a clear positive trend.
Slope
8.30303
Intercept
46.563636
R²
0.9901
Pearson r
0.995
Data points
10
Mean X
3.75
Mean Y
77.7
Regression equation
ŷ = 8.30303x + 46.563636
Standard error of estimate: 1.3326
Upload CSV files up to 10MB. Extra columns beyond the first two are ignored during calculation.
Scatter plot with best-fit line
Residual diagnostics
Residuals highlight the difference between actual values and the fitted regression line. Large positive residuals mean the model underestimates the observed value, while negative residuals indicate an overestimate.
| Study Hours | Exam Score | Predicted Y | Residual |
|---|---|---|---|
| 1.5 | 58 | 59.0182 | -1.018 |
| 2 | 63 | 63.1697 | -0.17 |
| 2.5 | 67 | 67.3212 | -0.321 |
| 3 | 71 | 71.4727 | -0.473 |
| 3.5 | 76 | 75.6242 | 0.376 |
| 4 | 82 | 79.7758 | 2.224 |
| 4.5 | 86 | 83.9273 | 2.073 |
| 5 | 88 | 88.0788 | -0.079 |
| 5.5 | 91 | 92.2303 | -1.23 |
| 6 | 95 | 96.3818 | -1.382 |
計算の流れ
線形回帰は、残差平方和が最小となる直線をペア観測データに当てはめます。
エディターへ読み込む
値の貼り付け、CSV アップロード、サンプルデータ利用で開始できます。
回帰を実行して結果確認
傾き、切片、R²、残差を計算し、グラフで当てはまりを検証します。
回帰出力を正しく解釈する
傾き・切片だけでなく、残差診断と可視化を合わせて判断しましょう。
線形性を先に確認
データが曲線状や扇状なら、変換や別モデルを検討してください。
必要に応じて中心化・標準化
標準化は数値安定性と解釈性の向上に役立つ場合があります。
不確実性を伝える
R² が高くても予測誤差は残るため、残差傾向や外れ値も併せて報告します。
主なユースケース
教育、マーケティング、業務運用で線形回帰を活用できます。
学業成績の予測
学習行動と試験結果の関係を見て、支援ポイントを特定します。
広告費最適化
広告予算とリード数の関係を分析し、効率的な投資水準を探ります。
運用計画の改善
投入資源と成果の関係を可視化し、計画精度と無駄削減を向上します。
よくある質問
データ準備方法と、回帰結果の基本的な読み方を説明します。
自分の CSV をアップロードできますか？
はい。最大 10MB の CSV に対応し、回帰には先頭2列を使用します。
傾きと切片はどう解釈しますか？
傾きは X が 1 増えたときの Y の変化量、切片は X=0 のときの Y の推定値です。
R² はどの程度なら良いですか？
文脈依存です。一般に高いほど当てはまりは良いですが、残差確認を必ず行ってください。
他の分析計算機も確認
追加の vizGPT ツールで意思決定向け分析基盤を拡張できます。
Found This Tool Helpful?
Share it with others in one click.
Share This Tool
Help others discover Linear Regression Calculator.