Kalkulator dopasowania krzywych

Jak korzystać z kalkulatora dopasowania krzywych

1. 1. Wpisz dane. Wpisz dwie listy w tej samej kolejności albo jedną parę „x, y” w wierszu. Potrzebne są co najmniej cztery punkty, w tym co najmniej trzy różne wartości x; więcej to lepiej.
2. 2. Wybierz modele. Zaznacz krzywe do porównania. Modele logarytmiczne i potęgowe wymagają, by każde x było większe od 0; wykładnicze i potęgowe — by każde y było większe od 0. Model, którego nie da się dopasować, podaje powód.
3. 3. Wybierz metodę dopasowania dla krzywych wykładniczych i potęgowych. Nieliniowe najmniejsze kwadraty na oryginalnym y dają najlepsze dopasowanie do rzeczywistych wartości. Opcja przekształcona dopasowuje prostą przez ln y, tak jak robią to linie trendu w arkuszach.
4. 4. Porównaj i sprawdź. Przeczytaj tabelę, potem wykres i reszty modelu, który rozważasz: najlepsza liczba niewiele znaczy, jeśli kształt krzywej jest błędny. Skorzystaj z pola przewidywania dla nowych wartości x.

Krzywe

Każdy wielomian dopasowywany jest rozkładem QR na wycentrowanym i przeskalowanym x, więc dopasowanie stopnia 6 do lat kalendarzowych (1990–2020) jest tak samo dokładne jak dla przedziału 0–1, a przewidywania korzystają z tej stabilnej postaci. Rozwinięte współczynniki pokazane w równaniu mogą nadal tracić cyfry przez kasowanie, gdy x jest duże i daleko od zera; strona ostrzega, gdy tak się dzieje. Równania linii trendu w arkuszach, które zaokrąglają współczynniki do kilku cyfr, z tego samego powodu nie odtworzą krzywych wysokiego stopnia dla wartości x rzędu lat.

Dlaczego metoda ma znaczenie dla dopasowań wykładniczych i potęgowych

Dopasowanie przekształcone bierze ln y, znajduje prostą najmniejszych kwadratów, a potem przelicza wynik z powrotem. To minimalizuje błędy w skali logarytmicznej, co mocno waży małe wartości, a duże waży lekko. Dopasowanie nieliniowe minimalizuje kwadraty błędów w samym y, co zwykle jest tym, na czym Ci zależy. Obie metody dają różne parametry dla tych samych danych i różne wartości R². Ten kalkulator podaje R² liczony na oryginalnym y dla każdego modelu, dzięki czemu można je uczciwie porównać, a dla dopasowania przekształconego także R² w skali logarytmicznej, taki jaki pokazałby arkusz.

Przykład krok po kroku

Przykład wczytuje klasyczne 50 pomiarów drogi hamowania samochodów (dane cars z R): prędkość w milach na godzinę względem drogi hamowania w stopach. Sześć modeli, dopasowanych na oryginalnej skali:

R² rośnie z każdym wyrazem wielomianu — sześcienny ma 0,6732, a wielomian stopnia 6 0,6888 — ale AICc, który karze za każdy parametr, stawia na pierwszym miejscu dwuparametrowe krzywe potęgową i wykładniczą. Krzywa potęgowa ma też sensowne znaczenie: droga hamowania rośnie mniej więcej jak prędkość w potędze 1,5 (b = 1,55, błąd standardowy 0,19), między zależnością liniową a kwadratową, jakiej oczekuje fizyka. Najlepsze modele mieszczą się w granicach około 2 punktów AICc, więc dane nie potrafią ich rozdzielić; wybierz ten, który ma sens. Dopasowana jako przekształcona krzywa potęgowa ma R² w skali logarytmicznej równe 0,7331, ale R² na oryginalnej skali spada do 0,6583.

Rozsądny wybór modelu

• Zacznij od wykresu, potem od reszt. Wzorzec w resztach oznacza, że kształt jest błędny.
• Używaj AICc zamiast R² do porównywania modeli o różnej liczbie parametrów. AICc jest porównywalne tylko między modelami dopasowanymi do tych samych wartości y. Różnice poniżej około 2 nie mają znaczenia.
• Ufaj teorii. Jeśli znasz proces (wzrost procentowy, prawo skalowania), użyj pasującego modelu, nawet jeśli inny wypada nieznacznie lepiej.
• Trzymaj niski stopień wielomianu. Powyżej stopnia 3 lub 4 wielomian zwykle goni szum i gwałtownie odlatuje poza dane. Nie ekstrapoluj nim.

Najczęstsze pytania

Jak wybrać najlepiej dopasowaną krzywą?

Wykreśl dane i każdą krzywą, sprawdź, czy reszty równomiernie rozkładają się wokół zera, i porównaj AICc między modelami. Sam R² zawsze faworyzuje model z największą liczbą parametrów. Potem zapytaj, czy zwycięzca ma sens dla badanego procesu i czy użyjesz go tylko między najmniejszym a największym x.

Dlaczego mój wykładniczy R² różni się od tego z Excela?

Wykładnicza linia trendu w Excelu dopasowuje prostą przez ln y i podaje R² dla tego dopasowania w skali logarytmicznej. Dopasowanie nieliniowe minimalizuje błędy w samym y, a jego R² liczy się na y. Ten kalkulator potrafi zrobić oba i pokazuje R² w skali logarytmicznej dla opcji przekształconej oraz R² na oryginalnej skali dla wszystkich modeli, więc porównanie jest uczciwe.

Jakiego stopnia wielomianu użyć?

Najniższego stopnia, który oddaje widoczny kształt — zwykle 2 lub 3. Każdy kolejny stopień pozwala krzywej zgiąć się jeszcze raz i dopasować szum; R² rośnie, ale przewidywania się pogarszają. Potrzebujesz co najmniej stopnia + 2 punktów danych, a dla wiarygodnego dopasowania znacznie więcej.

Dlaczego nie mogę dopasować modelu logarytmicznego, potęgowego lub wykładniczego?

Logarytm jest określony tylko dla liczb dodatnich. Model logarytmiczny lub potęgowy wymaga, by każde x było większe od 0, a wykładniczy lub potęgowy — by każde y było większe od 0, bo dopasowanie działa przez ln y lub ln x. Przesuń dane (na przykład mierząc czas od 1 zamiast od 0) tylko wtedy, gdy ma to sens w Twoim problemie.

Co oznaczają AIC i AICc?

AIC równoważy dopasowanie ze złożonością: to −2 razy logarytm wiarygodności plus dwukrotność liczby parametrów (wliczając wariancję błędu). AICc dodaje poprawkę, która ma znaczenie, gdy n jest małe w stosunku do liczby parametrów. Niższe wartości są lepsze i liczą się tylko różnice. Wartości tutaj używają definicji R, więc zgadzają się z AIC w R dla tego samego modelu.

Czy mogę użyć równania do przewidywania poza danymi?

Tylko z dużą ostrożnością. Każda krzywa to opis empiryczny zakresu, który zmierzyłeś. Wielomiany mogą gwałtownie odlecieć tuż poza danymi, a wykładnicza eksplodować. Pole przewidywania ostrzega, gdy nowe x leży poza zaobserwowanym zakresem.