在線即時計算器 · 純前端本地秒算 · 零數據上傳

📈 Frequency Weighted Ab Exponential Regression 計算機

專業免費的 Frequency Weighted Ab Exponential Regression 計算機。純前端本機毫秒級計算、零資料上傳、極致隱私保護。提供詳細公式推導、實例示範與常見問答。

即時推算結果 (Computed Output)
y = 1.000000000 · 2.000000000^x y = A · Bx
專業公認計算模型,即時運算完畢
📜 計算歷史記錄 (試算軌跡)
尚無歷史記錄,每次點擊「計算」將在此留下試算軌跡...

這個計算器的功能

本工具會針對一份次數分配表,擬合形如 y = A· B^{x} 的 ab 指數趨勢線。每一列資料都包含一個 x 值、一個 y 值,以及一個頻率 f(也就是該組 (x, y) 出現的次數或權重)。這是一套純粹的統計方法,在任何地方的計算結果都完全一致──沒有單位限制,也不受任何國家或法規影響。

使用方式

每行輸入一筆資料,格式為 x, y, f。由於計算過程會對 y 取自然對數,因此 y 值必須嚴格大於 0。若你想做一般未加權的擬合,只要把每一筆的頻率都設為 1 即可(也可以省略第三個數字,系統會自動視為 f = 1)。接著選擇輸出係數要顯示的有效位數,就能讀出 A、B 與相關係數 r。

公式原理

關鍵技巧在於把模型「線性化」:對 y = A· B^{x} 兩邊取對數,可得 \ln y = \ln A + x·\ln B,在 (x, ln y) 座標中就是一條直線。我們對 ln y 與 x 進行頻率加權的最小平方迴歸。令 n = \sum f,加權平均數為 \bar{x} 與 \overline{\ln y},加權平方和為 S_{xx}、S_{yy}、S_{xy},則斜率為 S_{xy}/S_{xx},截距為 \overline{\ln y} - \bar{x}·斜率。再取指數還原,即得 B = e^{斜率} 與 A = e^{截距}。相關係數 r = S_{xy} / (\sqrt{S_{xx}} · \sqrt{S_{yy}}),用來衡量此對數線性模型的擬合程度。完整公式如下:

y = A · B^{x}, \qquad B = e^{ S_{xy}/S_{xx}}, A = e^{ \overline{\ln y} - \bar{x} (S_{xy}/S_{xx})}
where ≤ft{ \begin{aligned} n &= style\sum f, \bar{x} = ((\sum f x) ÷ (n)), \overline{\ln y} = ((\sum f \ln y) ÷ (n)) \\ S_{xx} &= style\sum f x^{2} - n \bar{x}^{2} \\ S_{xy} &= style\sum f x \ln y - n \bar{x} \overline{\ln y} \\ x, y, f &= Data points (x, y, f) \end{aligned} \right.

實際範例

以完美倍增的資料 (1, 2)、(2, 4)、(3, 8)、(4, 16),且 f 皆為 1 為例:n = 4,\bar{x} = 2.5,\overline{\ln y} = 1.732868,S_{xx} = 5,S_{xy} = 3.465735,S_{yy} = 2.402224。於是 B = e^{3.465735/5} = e^{0.693147} = 2,A = e^{0} = 1,r = 1。因此擬合出的曲線正是 y = 1· 2^{x},與預期完全吻合。

使用注意事項與精準校對原則(6 大核心守則)

📐 1. 嚴格對齊輸入量綱與單位

輸入各項數值時請務必確認量綱(例如小時、天數、金額、百分比),避免單位不匹配引發推算偏差。

🔒 2. 純前端本機毫秒級隱私保障

所有計算邏輯 100% 在您的終端瀏覽器內完成,資料絕不上傳伺服器,嚴格守護商業與個人隱私。

📊 3. 符合公認學術與產業計算模型

演算法嚴格遵循國際通用數學公式與標準計算模型,經多重情境交叉核對,數值嚴密精確。

📋 4. 一鍵複製與免登入 PDF 匯出

支援一鍵複製推算結果字串至剪貼簿,亦可直接點擊列印按鈕輸出純淨 PDF 工作報表。

🔄 5. 多情景敏感度動態對比

建議針對極端值與多組預期情景分別試算,觀察輸出數據的波動區間,輔助做出更穩健的決策。

🛡️ 6. 專業諮詢與日常參考免責聲明

本工具運算結果供日常排程、學業研習與事前參考之用,如涉及重大法規或投資決策請諮詢持證專家。

常見問題 (FAQ)

頻率欄位有什麼作用?
它會依照每筆資料出現的次數加以加權,所以 f = 5 的一列,效果等同於五筆相同的資料。若要做一般迴歸,把所有 f 都設為 1 即可。
該如何解讀 r?
|r| > 0.7 代表高度相關,0.4~0.7 為中度,0.2~0.4 為低度,低於 0.2 則幾乎沒有相關性。r 是在 (x, ln y) 座標中計算的。
為什麼 y 必須為正?
因為模型要對 y 取自然對數,而當 y ≤ 0 時 ln y 沒有定義,因此非正值的資料列會被自動忽略。