Rechner für quadratische Regression
Füge deine x- und y-Daten ein, um die Ausgleichsparabel y = ax² + bx + c nach der Methode der kleinsten Quadrate zu finden, oder wechsle zu einem Polynom 3., 4., 5. oder 6. Grades. Du erhältst die Gleichung, R², Residuen, eine Vorhersage für jedes x und ein Streudiagramm mit der angepassten Kurve.
Zuletzt aktualisiert:
Ein Punkt pro Zeile, x und y getrennt durch Komma, Leerzeichen oder Tab. Direkt aus einer Tabelle einfügen.
Anleitung: Rechner für quadratische Regression
- Gib deine Daten ein als x, y-Paare (eins pro Zeile) oder als zwei getrennte Listen.
- Wähle den Grad: 2 für eine quadratische Funktion (Parabel), bis zu 6 für Kurven höherer Ordnung.
- Gib optional einen x-Wert ein, um sein y vorherzusagen.
- Lies Gleichung und R² ab und prüfe dann Graph und Residuen.
- Vergleiche die Grade in der Tabelle, um zu sehen, ob ein höherer Grad die Anpassung wirklich verbessert, und lade die CSV herunter.
Formel der quadratischen Regression
Für n Punkte (xi, yi) minimiert die Ausgleichsparabel y = ax² + bx + c nach der Methode der kleinsten Quadrate Σ(yi − axi² − bxi − c)². Setzt man die partiellen Ableitungen gleich null, ergeben sich drei Normalgleichungen:
| Gleichung | a-Term | b-Term | c-Term | = rechte Seite |
|---|---|---|---|---|
| 1 | Σx⁴ · a | Σx³ · b | Σx² · c | Σx²y |
| 2 | Σx³ · a | Σx² · b | Σx · c | Σxy |
| 3 | Σx² · a | Σx · b | n · c | Σy |
Höhere Grade funktionieren genauso mit mehr Potenzen von x (in Matrixform (XᵀX)β = Xᵀy). Die Anpassungsgüte wird mit R² = 1 − SSres / SStot gemessen, wobei SSres = Σ(y − ŷ)² und SStot = Σ(y − ȳ)², und der Standardfehler der Schätzung beträgt √(SSres / (n − k − 1)) für ein Polynom vom Grad k.
Den Polynomgrad wählen
| Grad | Name | Form | Mindestanzahl Punkte | Typische Anwendung |
|---|---|---|---|---|
| 1 | Linear | Gerade | 2 | Gleichmäßige Trends |
| 2 | Quadratisch | Parabel, ein Extrempunkt | 3 | Wurfbahnen, Gewinn vs. Preis, Beschleunigung |
| 3 | Kubisch | Bis zu zwei Extrempunkte, S-Form | 4 | Wachstum, das sich erst beschleunigt und dann verlangsamt |
| 4 | Quartisch | Bis zu drei Extrempunkte | 5 | Komplexere Kalibrierkurven |
| 5–6 | Quintisch, sextisch | Bis zu 4–5 Extrempunkte | 6–7 | Glatte Interpolation vieler Punkte; Gefahr der Überanpassung |
Tipp: Wenn sich das korrigierte R² beim Wechsel zum nächsten Grad kaum ändert, behalte das einfachere Modell. Sieh dir immer die Residuen an: Ein gekrümmtes Muster in den Residuen bedeutet, dass dem Modell ein Teil der Form fehlt.
Häufige Fragen
Was ist quadratische Regression?
Die quadratische Regression findet die Parabel y = ax² + bx + c, die am besten zu einer Punktmenge passt, indem sie die Summe der quadrierten senkrechten Abstände (Residuen) zwischen den Punkten und der Kurve minimiert. Sie wird verwendet, wenn Daten erst steigen und dann fallen oder nach oben gekrümmt verlaufen, statt einer Geraden zu folgen.
Wie viele Datenpunkte brauche ich?
Mindestens drei Punkte mit unterschiedlichen x-Werten für eine quadratische Anpassung, allgemein Grad + 1 Punkte für ein Polynom dieses Grades. Mit genau so vielen Punkten verläuft die Kurve durch alle (R² = 1), also verwende mehr Punkte für eine aussagekräftige Anpassung.
Was bedeutet R²?
R² (das Bestimmtheitsmaß) ist der Anteil der Streuung von y, den das Modell erklärt: R² = 1 − SSres/SStot. Ein Wert von 1 ist eine perfekte Anpassung, 0 bedeutet, dass die Kurve nicht mehr erklärt als der Mittelwert von y. Das korrigierte R² bestraft zusätzliche Koeffizienten, was beim Vergleich von Graden hilft.
Sollte ich immer einen höheren Grad verwenden?
Nein. Ein höherer Grad erhöht R² für deine vorhandenen Daten immer, kann aber zu Überanpassung führen und zwischen und außerhalb deiner Punkte stark ausschlagen. Wähle den niedrigsten Grad, der die Form erfasst; die Vergleichstabelle der Grade und das korrigierte R² helfen dabei.
Wie wird die quadratische Anpassung berechnet?
Die Koeffizienten lösen die Normalgleichungen: Σx⁴a + Σx³b + Σx²c = Σx²y, Σx³a + Σx²b + Σxc = Σxy und Σx²a + Σxb + nc = Σy. Dieses Tool zeigt diese Summen mit deinen Zahlen und löst das System mit einer numerisch stabilen QR-Zerlegung.
Kann ich Vorhersagen außerhalb meines Datenbereichs trauen?
Sei vorsichtig. Eine Vorhersage jenseits des kleinsten oder größten x (Extrapolation) setzt voraus, dass die Kurve ihre Form beibehält, was Polynome oft nicht tun. Der Rechner kennzeichnet Vorhersagen außerhalb deines Datenbereichs.
Werden meine Daten irgendwo hochgeladen?
Nein. Alle Berechnungen laufen in deinem Browser, und die Daten verlassen dein Gerät nie.
Werden alle Tools auf FreeToolCabin auf Qualität und Genauigkeit getestet?
Ja. Jedes Tool auf der Website durchläuft automatische Tests in echten Browsern, die prüfen, ob das Ergebnis stimmt und keine Fehler auftreten. Wenn du einen Fehler findest oder einen Vorschlag hast, schreib uns an [email protected] – wir sehen es uns an.