Калькулятор экспоненциальной регрессии

Начальный уровень a	2
Множитель b	2
R² для ln(Y)	1
Количество пар	3

Когда подходит экспоненциальная кривая

Точки наблюдений поднимаются вдоль плавно ускоряющейся кривой

Экспоненциальная модель описывает изменение, при котором одинаковый шаг X умножает ожидаемый Y на один и тот же коэффициент. Если показатель каждый месяц растёт на 20%, множитель равен 1,2: после значений 100 и 120 модель ожидает 144. Здесь можно ввести свои пары X и Y, подобрать кривую и получить прогноз для нового X.

Для расчёта нужны минимум две пары с разными X. Все Y должны быть строго больше нуля: натуральный логарифм нуля и отрицательного числа в этой модели не определён. Сам X может быть отрицательным. Так удобно обозначить годы до выбранного базового года или дни до события. У строк должен быть общий смысл: X и Y в каждой строке относятся к одному периоду или объекту. Отдельная сортировка только одного столбца разрушает связь между ними.

Кривая записывается так:

\displaystyle \hat y = a\,b^x

Здесь ŷ обозначает рассчитанный Y, a равен прогнозу при X = 0, а b показывает множитель при увеличении X ровно на единицу. При b > 1 кривая растёт, при 0 < b < 1 убывает, при b = 1 остаётся горизонтальной. Если X измеряется месяцами, множитель относится к месяцу; если днями, к дню. Нельзя переставить единицы времени и сохранить тот же смысл коэффициента.

Как подбираются коэффициенты a и b

Сначала каждый положительный Y переводится в натуральный логарифм. После этого искомая экспонента становится прямой на шкале ln(Y). Калькулятор применяет к этим значениям метод наименьших квадратов: выбирает наклон и начальный уровень прямой так, чтобы сумма квадратов отклонений в логарифмической шкале была минимальной. Затем оба коэффициента возвращаются в обычную шкалу через экспоненту.

\displaystyle \ln y=A+Bx,\qquad a=e^A,\qquad b=e^B

Поэтому оценка не равна нелинейному подбору, который минимизировал бы ошибки в исходных единицах Y. Логарифм сильнее выравнивает относительные различия: промах от 10 до 20 по смыслу ближе к промаху от 100 до 200, чем к разнице в десять единиц. Если для задачи критичны именно абсолютные ошибки в рублях, штуках или граммах, эту особенность нужно учитывать при выборе метода.

R² для ln(Y) сравнивает отклонения точек от подобранной прямой с разбросом логарифмов Y вокруг их среднего. Значение 0,9 означает, что модель учитывает 90% вариации именно преобразованных значений в данном наборе. Оно не обещает 90-процентную точность прогноза, не описывает долю вариации исходного Y и не доказывает, что X вызывает изменение Y. При постоянном Y знаменатель расчёта равен нулю; тогда R² не определён, хотя горизонтальную модель посчитать можно.

Как проверить прогноз до решения

Сравните X для прогноза с крайними X в наблюдениях. Внутри диапазона модель интерполирует, за его пределами экстраполирует и калькулятор предупреждает об этом. За пределами исходного ряда неизменный множитель b является предположением, а не новым наблюдением. Даже небольшая ошибка в b многократно повторяется при далёком прогнозе. Особенно осторожно используйте кривую для роста аудитории, продаж и затрат: реальные процессы часто упираются в насыщение или ограничение ресурсов.

Раскройте график и посмотрите, проходят ли точки приблизительно вдоль кривой. Одна удалённая точка может заметно изменить коэффициенты. Для проверки полезно перепроверить исходное значение, а не сразу удалять неудобную строку. Если на графике сначала быстрый рост, затем замедление, постоянный множитель уже плохо описывает весь период. Сравните результат с линейной регрессией: прямая предполагает одинаковую прибавку за шаг X, а экспонента одинаковое отношение соседних уровней.

Учитывайте единицы до вставки данных. Например, 0, 1 и 2 для X могут означать три последовательных месяца, но 0, 30 и 60 означают дни; численное значение b получится другим. Y в одной колонке нельзя смешивать в рублях и тысячах рублей. Из таблицы можно вставить два соседних столбца: табуляция отделит X от Y, новая строка отделит наблюдения. Десятичная запятая остаётся частью числа, а не разделителем колонок.

Где одинаковый множитель помогает увидеть тенденцию

📬 Подписчики рассылки. Представим, что после запуска рассылки число подписчиков по месяцам составило 100, 120 и 144 при X = 0, 1 и 2. Тогда a = 100, b = 1,2, прогноз на месяц 3 равен 172,8. Дробное число описывает уровень модели, а не часть человека. Для плана рассылки его можно округлить до 173, но полезнее сначала проверить, сохраняется ли темп на следующих месяцах.

🔋 Убывание измеренного заряда. В учебном опыте показания 80, 40 и 20 единиц через равные интервалы дают b = 0,5. На следующий шаг формула выдаёт 10 единиц. Здесь важен не сам ноль X, а равенство промежутков между измерениями. Если интервалы были 5, 10 и 40 минут, записывать их как 0, 1 и 2 было бы ошибкой. Для идеальной RC-цепи время определяется отдельной физической моделью, которую считает калькулятор заряда конденсатора.

💰 Условный счёт с начислением. Если сумма в начале трёх лет равна 1000, 1050 и 1102,5 условной единицы, коэффициент b равен 1,05. На X = 3 модель даёт 1157,625. Этот пример показывает механизм сложного роста, но банковский вклад может иметь другие правила начисления, пополнения и налоги. Для реального договора лучше отдельно посчитать проценты по его условиям, а не выводить ставку только из трёх наблюдений.

🌐 Посещаемость нового раздела. Для 10, 20 и 40 визитов за равные периоды модель на X = 4 выдаст 160 визитов. Это вдвое больше прогноза на X = 3 и в четыре раза больше последнего наблюдения. Но X = 4 находится вне проверенного диапазона 0–2: один удачный источник трафика или разовая публикация могут сделать такое продолжение неверным. Это повод наблюдать ещё несколько периодов, а не закупать мощность под точную цифру 160.

🧪 Постоянный контроль. Значения 7, 7 и 7 при X = 0, 1 и 2 дают b = 1 и прогноз 7 для любого X. Кривая превращается в горизонтальную линию. R² в этом случае не выводится: изменения Y нет, поэтому измерять долю объяснённого изменения нечего. Это хороший контроль для программы, но само по себе не подтверждение будущей стабильности процесса.

Когда результат лучше не использовать

Ноль или отрицательный Y нельзя «исправить» добавлением произвольной единицы ко всем строкам: это изменит коэффициенты и смысл прогноза. Если нули реально возможны, нужна другая модель или предметное решение, как их учитывать. Слишком большие числа, слишком малые уровни и далёкое X могут вызвать переполнение вычисления экспоненты; вместо ложного нуля или бесконечности калькулятор покажет ошибку масштаба.

Не следует трактовать рост R² после удаления выброса как автоматическое улучшение исследования. Возможно, редкая точка сообщает о смене режима, ошибке измерения или важном событии. Сначала выясните её происхождение. Если нужен лишь показатель направления и силы линейной связи между X и Y, без прогноза по кривой, откройте калькулятор корреляции. Он решает другую задачу и не заменяет проверку формы графика.

Частые вопросы

Границы модели особенно важны при нулевых значениях, коротких рядах и прогнозе далеко за пределами наблюдений.

Почему Y не может быть нулём?

Подбор выполняется для натуральных логарифмов Y, а ln(0) не является конечным числом. Не заменяйте ноль маленькой константой автоматически: её выбор изменит форму кривой. Если ноль означает отсутствие события, сначала определите подходящую модель для такого процесса.

Что означает b = 1,05?

При увеличении X на одну единицу модель умножает прогноз Y на 1,05, то есть предполагает рост на 5% за один шаг X. Если X записан в месяцах, это шаг в месяц; если в годах, шаг в год. Это не общая ставка для любого периода без пересчёта единиц.

Можно ли вводить отрицательный X?

Да. X = -1 может обозначать период до выбранного нулевого момента. При a = 100 и b = 2 модель для X = -1 даёт 50. Важно лишь, чтобы все X использовали одну шкалу и среди них были разные значения.

Чем экспоненциальная регрессия отличается от линейной?

Линейная модель прибавляет одинаковое число за равный шаг X, экспоненциальная умножает на одинаковый коэффициент. Ряд 10, 20, 30 линейный по шагам, а 10, 20, 40 экспоненциальный. На коротких шумных данных обе модели могут выглядеть убедительно, поэтому сравнивайте форму точек и предметный механизм.

Почему R² здесь подписан как R² для ln(Y)?

Ошибка минимизируется после логарифмирования Y. Поэтому R² вычисляется по разбросу логарифмов, а не по исходным Y. Запись без уточнения шкалы позволила бы принять, например, 0,9 за долю объяснённого разброса исходных значений, хотя это другой расчёт.

Почему при одинаковых Y коэффициент R² не показан?

В знаменателе его формулы стоит разброс ln(Y) вокруг среднего. Если все Y одинаковы, разброс равен нулю и делить не на что. При этом модель всё ещё существует: b = 1, а прогноз остаётся на постоянном уровне Y.

Можно ли доверять идеальному совпадению на двух парах?

Через две положительные точки с разными X экспоненту этого вида можно провести точно. Нулевой остаток на этих же точках не проверяет будущий прогноз. Для оценки устойчивости соберите дополнительные пары и сравните предсказания с новыми наблюдениями.

Почему прогноз на далёкий X быстро становится огромным?

Если b больше единицы, каждое увеличение X ещё раз умножает предыдущее значение. Например, при b = 2 десять шагов дают множитель 1024. Прогноз может математически считаться, но у реального процесса за это время могут измениться ресурсы и условия; дальняя экстраполяция особенно рискованна.

Есть что добавить?

Напишите своё мнение, комментарий или предложение.