Thesis一元线性回归计算器（Y = a + bX）
粘贴两列配对数据，几秒钟拟合出回归方程、斜率显著性检验（t/p）、R² 与 F 检验——纯浏览器本地计算、数据不上传，免注册、完全免费。「X 每增加一个单位，Y 变化多少」是相关分析之后最自然的下一步。
免注册 · 公测期免费 · 数据留在你的浏览器本地
为什么回归分析值得自己先算一遍
相关系数只说明两个变量共同变化，回归给出可解释的斜率——「学习时长每增加 1 小时，成绩平均提高 b 分」，这是实证论文结论章最有说服力的表述方式之一。
给出回归方程、斜率与截距的估计值和标准误、t 值与双尾 p 值、R² 决定系数与回归整体的 F 检验，与 SPSS 的 Linear Regression 输出口径一致，写论文表格照抄字段即可。
自动生成「X 每增加一个单位，Y 平均变化 b 个单位」的系数解读与「写进论文」句式，并提醒外推预测与因果表述的边界，帮你避开评阅人最常圈的两类错误。
计算在你的浏览器里完成，数据不发送到服务器，不调用 AI，随时可以换一组数据重算。
怎么用（3 步）
- 从 Excel/SPSS 里分别复制自变量 X 与因变量 Y 的数据（各一列，顺序须一一对应）粘贴进两个输入框，Tab/逗号/空格/换行分隔均可；
- 点「拟合回归方程」查看回归方程、系数检验、R² 与 F 检验；
- 把结果句式一键复制进论文数据分析章，正式结论建议再用 SPSS/R 复核一遍。
常见问题
计算用的是什么公式？
普通最小二乘（OLS）：斜率 b = Σ(x−x̄)(y−ȳ)/Σ(x−x̄)²，截距 a = ȳ − b·x̄。斜率标准误 SE(b) = √(MSE/Σ(x−x̄)²)，t = b/SE(b)、df = n−2，双尾 p 值由 t 分布的不完全 beta 函数精确计算；R² = 回归平方和/总平方和，一元回归中 F = t²。与 SPSS 的 Linear Regression 口径一致。
回归和相关有什么区别？
相关系数 r 度量两个变量共同变化的方向与强度，不区分谁是自变量；回归假定 X 解释 Y，给出可解释的斜率与预测方程。一元线性回归中 R² 恰好等于 r²，两者结论一致但表述不同：写「关系强弱」用相关，写「X 每变化一个单位 Y 变化多少」用回归。
R² 多大算好？
没有统一及格线：实验数据 R² 常见 0.8 以上，问卷与社会科学数据 0.1-0.3 也很常见且可以接受。R² 低不代表研究失败，只说明 Y 还受其他因素影响；重点是斜率是否显著、方向是否符合理论预期，以及是否诚实报告。
什么时候不该用一元线性回归？
散点图明显弯曲（非线性）、残差随 X 增大而发散（异方差）、有极端离群点、或 Y 是分类变量（该用 Logistic 回归）时都不适合。想控制其他变量的影响要用多元回归。本工具不做残差诊断，请先画散点图确认大致线性。
我的数据会被上传吗？
不会。计算完全在你的浏览器本地完成，任何数据都不发送到服务器，也不调用 AI 服务。
回归拟合完了，数据分析章一站写完
工作台覆盖选题→开题→大纲→分章写作→文献→自查→导出全流程：把回归表与检验结果挂进对应章节让 AI 严格依据数据成文，不编造数字，全程免注册、免费。
免费打开工作台