Calculateur de régression linéaire simple
Ajustez une droite à vos données et obtenez tout ce qu'un cours de statistiques ou un relecteur attend : l'équation de régression, un tableau complet des coefficients (estimation, erreur standard, t, p, intervalle de confiance à 95 % pour la pente et l'ordonnée à l'origine), le R² et le R² ajusté, le test F du modèle et l'erreur standard résiduelle — les mêmes chiffres que produisent summary(lm()) et confint() de R, vérifiés avec au moins six chiffres significatifs. Collez deux colonnes (x puis y) directement depuis un tableur. Le calculateur vérifie aussi automatiquement la normalité des résidus avec Shapiro-Wilk et signale les problèmes en langage clair — une étape de diagnostic que la plupart des outils de régression en ligne ignorent complètement.
Rapport IA
Laissez l'IA interpréter vos résultats : un document Word téléchargeable au format APA 7 / rapport professionnel.
Questions fréquentes
Comment rapporter des résultats de régression au format APA 7 ?
Rapportez le test du modèle et le coefficient, par exemple : « Le temps d'étude prédisait significativement la note d'examen, b = 0.88, ES = 0.02, t(10) = 45.93, p < .001. Le modèle expliquait 99.5 % de la variance, R² = .995, F(1, 10) = 2109.73, p < .001. » Le Rapport IA génère le tableau et le paragraphe de régression APA complets — la partie la plus fastidieuse à mettre en forme à la main.
Quelle est la différence entre le R² et le R² ajusté ?
Le R² est la part de la variance de y expliquée par x ; il ne peut qu'augmenter lorsqu'on ajoute des prédicteurs. Le R² ajusté pénalise la complexité du modèle et constitue la valeur la plus équitable à rapporter pour comparer des modèles. En régression simple avec un seul prédicteur, les deux sont proches.
Comment interpréter la pente ?
La pente b est la variation attendue de y lorsque x augmente d'une unité. Son intervalle de confiance à 95 % indique la plage plausible ; si l'intervalle exclut 0 (ce qui équivaut à p < .05), l'association est statistiquement significative.
Quelles sont les conditions d'application de la régression linéaire simple ?
Linéarité, observations indépendantes, variance des erreurs constante (homoscédasticité) et résidus normalement distribués. Cet outil teste automatiquement la normalité des résidus ; pour le reste, examinez un graphique des résidus — des motifs ou des formes en entonnoir signalent des violations.