Potenzregressions-Rechner

Dieser Rechner akzeptiert gepaarte Punkte als parallele x- und y-Listen oder als JSON-Array von Paaren, lehnt jeden nicht positiven Wert ab, weil Logarithmen dort undefiniert sind, und liefert bereinigte Reihen, a, b, R-Quadrat im Log-Raum, Residualdiagnostik und eine druckbare Gleichung.

So funktioniert die Potenzregression mit Log-Kleinste-Quadraten

Die Methode ist deterministische Gleitkommaarithmetik ohne Zufallssamen, ohne Wanduhren und ohne Netzwerkanrufe, sodass identische Eingaben stets dasselbe JSON erzeugen. Ist Sxx null, weil jedes x identisch ist, verschwindet der Nenner und es gibt keinen endlichen Exponenten; die Anfrage wird daher mit invalid_input abgelehnt statt Infinity oder NaN zurückzugeben.

Was Sie senden und was Sie zurückerhalten

Senden Sie positive gepaarte Daten in einer von zwei Formen. Mischen Sie points nicht mit getrennten x und y in derselben Anfrage. Mindestens zwei Paare sind erforderlich, und jede Koordinate muss streng positiv sein, damit natürliche Logarithmen definiert sind. Klassische Lehrbuchprüfungen umfassen x gleich eins, zwei, vier, acht mit y gleich drei, zwölf, achtundvierzig, hundertzweiundneunzig, was genau y gleich drei mal x zum Quadrat ist und a drei, b zwei sowie Log-R-Quadrat eins liefern soll. Entweder liefern Sie x und y als JSON-Arrays endlicher positiver Zahlen oder als durch Komma, Leerzeichen oder Semikolon getrennte Zeichenketten gleicher Länge, oder ein einzelnes points-Feld als JSON-Array zweielementiger [x, y]-Paare oder Objekte mit numerischen x- und y-Feldern. Fehlende Felder, leere Listen, nicht numerische Token, NaN, Infinity, Längenmismatch, nicht positive Werte und konstantes x scheitern mit invalid_input und werden nicht berechnet. Bei Erfolg enthält die Antwort n, bereinigte x- und y-Arrays, Koeffizient a, Exponent b, r_squared_log, mean_ln_x und mean_ln_y, sxx_log und sxy_log, ss_res_log und ss_tot_log, vorhergesagte Werte und Residuen auf der Originalskala, eine druckbare Gleichung der Form y gleich a mal x hoch b, die Methodenbezeichnung log_least_squares und eine kurze Formelnotiz. Der Preis erfolgreicher API-Aufrufe ist die veröffentlichte Basis von $0.002 pro Element; Validierungsfehler verbrauchen kein Prepaid-Guthaben.

Wo Potenzregressions-Rechner in der realen Arbeit auftreten

Labor- und Feldstudien passen allometrische Beziehungen wie Stoffwechselrate versus Körpermasse, Intensität versus Dauer oder Zählung versus Magnitude an und brauchen denselben Koeffizienten und Exponenten in jeder Laborgruppe. Engineering-Teams approximieren Verschleißkurven, Kosten-Skalierung mit der Größe oder Signalstärke mit der Distanz mit einem einfachen Potenzmodell, ohne einen vollen Notebook-Stack zu öffnen, und exportieren die Gleichung in Berichte. Wenn Sie später gewöhnliche lineare Regression auf der Originalskala, Polynomfits, Exponentialmodelle mit Basis-e-Zeittrend, reine Korrelationszusammenfassungen oder Residual-Hypothesentests brauchen, behandeln Sie diese als getrennte Suchintentionen und Landings statt diese Potenzregressions-Rechnerseite zu überladen. Schul- und Hochschulkurse vergeben ständig Potenzgesetz-Textaufgaben, Log-Log-Streudiagramme und Übungen zur Interpretation des Exponenten; ein einziges vertrauenswürdiges Orakel, das a, b und Log-Raum-R-Quadrat als sauberes JSON liefert, beschleunigt Bewertung und Demo-Aufbau. Weil diese Fähigkeit eine reine Parse-Engine ist, ist der API-Preis die veröffentlichte Basis von $0.002 pro erfolgreichem Element und fehlgeschlagene Validierung wird nicht berechnet.