線形回帰・決定係数（R²）計算
高精度演算

線形回帰・決定係数（R²）計算

ブラウザ上で最小二乗法による回帰直線と決定係数（R²）を瞬時に算出し、リアルタイムな可視化と統計分析を安全に行える高精度シミュレーターです。

完全ローカル処理
ブラウザ内高速演算
サンプルデータ

入力設定

12 有効データ点数

各行に「X, Y」または「X [空白] Y」の形式で入力してください（カンマ・タブ・スペース区切りに対応）。

Model Intercept:
信頼水準:
12 有効データ点数SS_xx: 943.00
回帰式:ŷ = 1.2856x - 150.8889
R²: 0.9982r: 0.9991sₑ: 0.5242
54.663.372.080.889.598.2159.7166.4173.1179.9186.6193.3Height (cm)Weight (kg)
相関の強さ:非常に強い相関Click anywhere inside the chart area to set prediction X
自由度: 10F-Stat: 5672.30
決定係数 (R²)
99.82%
自由度調整済決定係数: 0.9981
ピアソンの相関係数 (r)
0.9991
正の傾き（右肩上がり）
残差標準誤差 (RSE)
0.5242
標本数 (n): 12 観測データ数

ブラウザ内高速演算

外部通信を行わず、すべての演算処理をお使いのブラウザメモリ上で高速に実行します。

サーバー送信ゼロの安全性

入力データは端末内のみで処理され、外部サーバーへ送信・保存されることは一切ありません。

実務仕様のエクスポート

レポートや開発環境ですぐに活用できる、クリーンで最適化された形式で出力可能です。

【免責事項】本ツールの計算結果は統計的推定値であり、その正確性を保証するものではありません。学術研究や実務判断に際しては、必ず専門的な検証を行ってください。

技術リファレンス・アーキテクチャガイド

線形回帰・決定係数（R²）計算 — 技術リファレンス

ブラウザ上でリアルタイムに解析・可視化を行う対話型線形回帰計算ツール（最小二乗法による回帰直線および決定係数 R² の算出）。

線形回帰・決定係数（R²）計算 — 技術リファレンス — クライアントサイド完全ローカル実行アーキテクチャ図
線形回帰・決定係数（R²）計算 — 技術リファレンス — クライアントサイド完全ローカル実行アーキテクチャ図

主要パラメータと設定項目

2変数観測データ対（X, Y）直交座標データ対（X, Y）

独立変数（説明変数 X）および従属変数（目的変数 Y）の観測値ペア。決定論的な O(n) の時間計算量と O(1) の補助記憶空間を実現する1パス巡回ウェルフォード法（Welford-style accumulation）により評価されます。IEEE 754 倍精度 64 ビット浮動小数点標準に準拠し、入力値は有限な数値範囲（絶対値 < 1.7976931348623157e+308）内に収める必要があります。また、特異行列の発散およびゼロ除算（Division by Zero）ランタイム例外を防止するため、標本サイズ n ≥ 3 において標本分散の平方和 SSxx = Σ(xᵢ - x̄)² が計算機のマシンイプシロンを厳密に上回る（SSxx > 1e-15）必要があります。

初期値: (10, 25), (20, 38), (30, 52), (40, 68), (50, 84)
有意水準α（信頼区間設定）仮説検定の有意水準 [0.001, 0.20]

回帰直線の傾き β₁ および母集団の期待値（平均応答）に対する信頼帯区間（1 - α）を定義する両側検定の臨界有意水準 α。ISO/IEC および米国国立標準技術研究所（NIST）の実務標準に基づき、自由度 n-2 のスチューデントの t 分布臨界値 t_(0.025, n-2) を用いた α = 0.05（95% 信頼区間）が基準となります。第1種の過誤（偽陽性）の厳格な統制が必須とされる実証研究では、α = 0.01（99% 信頼区間）に設定するか、ボンフェローニ法（Bonferroni correction）等による多重比較補正を適用します。

初期値: 0.05
予測補間ターゲット値（X₀）連続型実数スカラー（Float64）

条件付き点推定値 ŷ₀ = b₀ + b₁X₀ および個別予測区間を算出するための対象となる独立変数の座標 X₀。統計的観点から観測データの経験的凸包 [min(X), max(X)] 内（内挿）に制限されます。予測標準誤差 SE_pred = Se · √(1 + 1/n + (X₀ - x̄)² / SSxx) は標本重心（平均値 x̄）からの距離に応じて二乗オーダーで拡大するため、領域外への外挿（外挿法）は深刻なモデル仕様の誤謬（構造的誤差）を引き起こします。

初期値: 35.0
影響力判定閾値（クックの距離）クックの距離（Cook's Distance）指標 [0.0, +∞)

最小二乗法（OLS）の直交超平面を不均等に歪める極端なテコ点（高レバレッジ点）を検出するための影響力診断基準 Di。スチューデント化削除残差 |rᵢ| > 3.0 と併せて、標準的な Cook-Weisberg 判定基準 Di > 4/n（または絶対基準 Di > 1.0）によって境界付けられます。フラグ付けされた観測点は、パラメータの推定安定性を著しく損なうハット行列の高レバレッジ値（h_ii > 2p/n）を示唆します。

初期値: 4 / n

現場のベストプラクティス・実践Tips

標本重心を中心とした偏差平方和による桁落ち（情報喪失）の完全排除

教科書的な恒等式 SSxx = Σx² - (Σx)² / n を用いて2変数の平方和を計算すると、座標値が大きくデータのばらつきが狭い場合（Unix時間やミリ秒精度のタイムスタンプのように、仮数部の上位14桁にわたり (Σx)² / n と Σx² が一致するケースなど）、IEEE 754 倍精度浮動小数点演算において致命的な桁落ち（Catastrophic Cancellation）が発生します。ToolsAA の計算エンジンは、標本重心（平均値 x̄）を原点とする偏差中心化（x' = x - x̄）とウェルフォード法（Welford's algorithm）による1パス積和累積を実装しています。これにより推定量間の共分散 Cov(b₀, b₁) = 0 を担保し、マシンイプシロンによる有効桁の欠損を排除しながら、追加バッファ割り当てのない厳密な O(n) の計算量を保証します。

高水準の決定係数（R²）に潜む非線形性とブライシュ・ペイガン検定による等分散性の検証

決定係数（R²）が 0.95 を超えている場合であっても、最小二乗法（OLS）モデルの妥当性が統計的に証明されたわけではありません。「アンスコムの例題（Anscombe's Quartet）」が示す通り、明確な二次曲線の非線形性や単一の異常レバレッジ点が存在しても、モデル仕様が破綻したまま見かけ上の高 R² が算出されることがあります。厳密な残差診断には、すべての予測値 ŷ に対して誤差分散が一定である「等分散性（Homoscedasticity）」の検証が不可欠です。残差プロットにファンネル状（メガホン型）の広がりが見られる場合や、ブライシュ・ペイガン検定（Breusch-Pagan test）で p < 0.05 と判定された場合は、標準誤差 Se や回帰係数の t 統計量の信頼性が崩壊するため、Box-Cox 変換や重み付き最小二乗法（WLS）の適用が必要です。

母平均の信頼区間と個別観測値の予測区間の厳密な識別

回帰分析における代表的な過誤が、母平均の信頼区間（Confidence Interval）と将来値の予測区間（Prediction Interval）の混同です。信頼区間の標準誤差 SE_conf = Se · √(1/n + (X₀ - x̄)² / SSxx) は、真の条件付き母平均 E[Y|X₀] の推定に伴う不確実性のみを定量化します。これに対し、将来得られる単一の新たな観測値 Y₀ を予測する際は、データ生成過程に内在する縮約不能な確率的誤差 ε ~ N(0, σ²) を合算する必要があり、予測標準誤差は SE_pred = Se · √(1 + 1/n + (X₀ - x̄)² / SSxx) となります。根号内に定数項 1.0（過程ノイズの分散成分）が付加されるため、同一の X₀ において個別予測区間は平均信頼区間よりも原理的に常に広くなります。

ゼロトラスト・クライアントサンドボックスによるデータ機密性の完全保護

本エンジンに入力された金融時系列データ、機密性の高い臨床試験メトリクス、暗号ベンチマーク値は、外部ネットワークへ一切送信されることなく、ブラウザの隔離された JavaScript V8 実行コンテキスト内でのみ処理されます。クラウドサーバーとの通信を完全に排除しつつ、アルゴリズムの整合性検証には Web Crypto API による決定論的 SHA-256 ハッシュ検証を活用しています。このゼロトラスト・クライアントサイド構造により、日本の個人情報保護法（APPI）や GDPR、HIPAA 等のデータローカリティ・機密保護要件に完全適合しながら、サブミリ秒単位の極めて高速な演算処理を実現しています。

よくある落とし穴とトラブルシューティング

⚠️特異行列によるゼロ除算エラー（傾きが NaN または Undefined となる）

入力されたすべての独立変数 X の値が同一（例: X = [12, 12, 12, 12]）である場合に発生します。このとき分母の平方和 SSxx = Σ(xᵢ - x̄)² が 0.0 に収束し、最小二乗法の傾き m = SSxy / SSxx が傾き無限大の垂直線（不定形）となるためです。説明変数 X の系列に少なくとも2つ以上の異なる数値が含まれ、分散 Var(X) > 1e-15 を満たしていることを確認してください。

⚠️予測区間の分散幅が母平均の信頼区間と同等に狭小化・縮退する現象

統計計算ルーチンにおいて、予測標準誤差の根号内にある縮約不能な個別観測誤差項（+1.0）が脱落している場合に生じます。平均応答の誤差式 SE_conf ではなく、予測標準誤差 SE_pred = Se · √(1 + 1/n + (X₀ - x̄)² / SSxx) が正しく適用されているか確認してください。重心 X₀ = x̄ の地点において、SE_pred は Se · √(1 + 1/n) と評価され、母平均誤差の Se · √(1/n) よりも必ず大きな値をとる必要があります。

⚠️高レバレッジ外れ値による回帰係数の著しい歪みと決定係数（R²）の虚偽の高騰

最小二乗法（OLS）は残差の二乗和 Σeᵢ²（ユークリッド損失）を最小化する性質上、外れ値に対して過度に敏感です。分布から大きく離れた異常座標は強力なテコ点（ハット行列対角項 h_ii > 2p/n）として機能し、回帰直線を自己の座標方向へ強制的に牽引してしまいます。クックの距離（Cook's Distance）指標を確認し、Di > 4/n またはスチューデント化残差 |rᵢ| > 3.0 を超える観測点を特定・一時的に除外して、ロバストなトリム回帰係数への感度評価を実施してください。

よくある質問 (FAQ)

単回帰分析を手計算で求めるにはどのような手順を踏みますか？▼

手計算で単回帰分析（回帰直線の導出）を行う基本手順は次の通りです： 1. 標本平均の算出：説明変数と目的変数の平均値 x̄ = Σx / n および ȳ = Σy / n を求めます。 2. 平方和と積和の計算：X の偏差平方和 SSxx = Σx² - (Σx)² / n と、XY の偏差積和 SSxy = Σxy - (Σx)(Σy) / n を算出します。 3. 傾き（回帰係数）の算出：m = SSxy / SSxx を求めます。 4. 切片の算出：b = ȳ - m(x̄) により y 切片を導出します。 5. 回帰方程式の定義：予測式 ŷ = mx + b を組み立てます。 本ツールはこれらすべての中間計算を任意精度かつ瞬時に自動実行します。

相関係数（r）と決定係数（R²）の違いは何ですか？▼

ピアソンの積率相関係数（r）は、2変数間の線形関係の強さと方向性を表す指標であり、-1（完全な負の相関）から +1（完全な正の相関）の範囲をとります。一方、決定係数（R²: Coefficient of Determination）は単回帰において相関係数の二乗（r²）に等しく、0 から 1（0%〜100%）の範囲をとります。これは、目的変数（Y）の全変動（ばらつき）のうち、回帰モデル（説明変数 X）によって説明可能な割合を示します。

線形回帰における傾き（回帰係数）と y 切片はそれぞれ何を意味しますか？▼

傾き（m または β₁）は、説明変数 X が 1 単位増加したときに期待される目的変数 Y の平均変化量を表します。例えば傾きが 2.5 の場合、X が 1 増えるごとに Y は平均 2.5 増加します。一方、y 切片（b または β₀）は X がゼロであるときの Y の基準値（初期値）を示します。数式上直線を固定するために不可欠ですが、実務的な解釈においては X = 0 が観測可能な現実のドメイン内に実在し得る場合のみ意味を持ちます。

信頼区間と予測区間の違いは何ですか？▼

信頼区間は、特定の X における母集団全体の「平均応答（母平均 E[Y|X]）」の推定に伴う不確実性の範囲を推定します。これに対し、予測区間は「将来観測される新たな単一の観測値」が収まる確率的範囲を推定します。個別観測値にはモデル自体の推定誤差に加え、個々のデータが持つ不可避な確率的ばらつき（縮約不能なランダム誤差 ε）が加算されるため、同一の X で比較した場合、予測区間は信頼区間よりも必ず顕著に広くなります。

外れ値は最小二乗法の回帰直線にどのような影響を与えますか？▼

最小二乗法（OLS）は残差の平方和を最小化する手法であるため、大きな残差に対して二乗のペナルティが課されます。そのため、極端な X 値を持つ高レバレッジの外れ値が1点存在するだけで、それがテコの支点となって回帰直線全体を強く引き寄せ、傾きや決定係数（R²）を劇的に歪めてしまいます。本ツールはクックの距離（Cook's Distance）と標準化残差を用いてこれらの高影響度ポイントを自動検出し、1クリックで一時的に除外してモデル感度を検証することが可能です。

線形回帰モデルの適用を避けるべきケースはどのような場合ですか？▼

以下の条件に該当する場合、単純な線形回帰の適用は避ける必要があります： 1. 真の関係性が非線形である場合（指数関数的増加、放物線、飽和曲線など）。 2. 残差に不均一分散（ヘテロスケダスティシティ：X の増大に伴い残差のばらつきが広がる現象）が存在する場合。 3. 時系列データ等で各データ点間に自己相関（系列相関）が存在し、独立同分布（i.i.d.）の仮定が崩れている場合。 4. 強いクラスター構造やマルチレベル要因が存在する場合。 このようなケースでは、多項式回帰、対数・Box-Cox変換、一般化線形モデル（GLM）、あるいは非線形回帰モデルを選択する必要があります。

関連開発者ツール

全ツール一覧 →
湖面氷厚・氷上耐荷重計算ユーティリティ

ゴールドの公式に基づき、青氷・白氷の比率を考慮して、ワカサギ釣りやスノーモービル、車両走行に必要な湖面の安全氷厚と許容耐荷重を高精度に算出します。

ツールを開く→
通線張力・側圧（SWBP）計算ユーティリティ

配管の複合曲がりにおけるケーブル通線張力、許容側圧（SWBP）、ジャミング率（詰まり率）を高精度に算出。正引き・逆引きの比較シミュレーションも瞬時に実行できます。

ツールを開く→
遠心力・回転数換算（RCF/RPM）math

ローター半径から遠心力（RCF/g）と回転数（RPM）を相互換算。r_min/r_maxの遠心力勾配解析、kファクター沈降時間スケーリング、ノモグラム解析に対応。

ツールを開く→
授乳期カロリー計算（TDEE）Health & Fitness

母乳分泌量と総エネルギー消費量（TDEE）をリアルタイムに算出・可視化する、端末内完結型の授乳期カロリー計算ツールです。

ツールを開く→
バーベルプレート計算機＆ウォームアップローダーhealth

視覚的バーベルプレート計算機および漸進的ウォームアップローダー。オリンピックバー、トラップバー、ジムの在庫プレート（kg/lbs）の片側装填を正確に算出。

ツールを開く→
Amazon FBA手数料・利益計算finance

Amazon FBA手数料、純利益率、投資収益率（ROI）、容積重量を高精度に算出。2024年改定の納品配置手数料や在庫保管手数料を反映し、FBA配送と自社出荷（FBM）の収益性を瞬時に比較検証できます。

ツールを開く→