モデルを当てはめて判断する手順
- 01データを貼り付けます。
# または // で始まるコメント行はスキップされ、2 つの数値として解析できない行は黙って捨てずに行情報付きで報告されます。 - 02数式ではなくファミリーを選びます。モデル一覧は形で整理されています。減衰は指数成長/減衰、飽和曲線は Michaelis–Menten か指数プラトーです。
- 03パラメータを区間とともに読みます。95 % 区間が 0 をまたぐパラメータは「必要」の証拠ではなく、狭い区間は「モデルが正しい」の証拠ではありません。
- 04ファミリーをまたいで比較します。比較モードは追加パラメータにペナルティを与える AIC でフィットを順位付けし、素の R² の隣に調整済み R² を表示します。
- 05外挿の前に予測帯を確認します。帯はデータから離れるほど広がります。当てはめ範囲の外を予測するときは、曲線ではなく区間を見てください。
計算例
指数関数 y = 2.5·e^(−0.4x) を x = 0, 0.5, …, 6 でサンプリングし、±0.05 の小さな交互ノイズを加えます:
| フィット |
パラメータ |
R² |
調整済み R² |
RMSE |
AIC |
| 指数(真のファミリー) |
a = 2.515414, b = −0.402286 |
0.994984 |
0.994528 |
0.049678 |
−72.057 |
| 二次 |
a = 0.070451, b = −0.777154, c = 2.436773 |
0.990802 |
0.988962 |
0.067272 |
−62.174 |
| 指数プラトー |
y₀ = 2.52585, y<sub>m</sub> = 0.03714, k = 0.41747 |
0.995116 |
0.994140 |
0.049019 |
−70.404 |
| 二重指数 |
a = 0.081428, b = 63.8975, c = 2.46857, d = 0.394163 |
0.995426 |
0.993901 |
0.047440 |
−69.256 |
指数のパラメータは真値を挟みます: 95 % 区間は a が 2.42511 … 2.605718、b が −0.426244 … −0.378327 です。x = 7 のフィット値は 0.150535 で帯は 0.128419 … 0.172650、真値は 0.152025。x = 20 への外挿は 0.00080612 を返し、真値 0.00083866 に対して 4 % の誤差です — フィットを制約するデータが存在しない領域での話です。
パラメータが増えるほど必ず良く当てはまる理由
最小二乗は残差の二乗和を最小にし、パラメータを1つ加えるとその和は下がるしかありません。だから素の R² は悪い審判です: 二重指数の4パラメータは R² = 0.995426 に達し、真のモデルの 0.994984 を上回り、指数プラトーも追い越します。調整済み R² と AIC は使ったパラメータの分だけペナルティを引くので、順位は逆転します: 2パラメータの指数が AIC −72.057 で勝ちます。「最良のフィット」は、パラメータにいくらのコストを課すかを決めるまで定義できません。
区間は解における残差曲面の局所的な曲率から来ます。局所的かつ対称で、パラメータ同士がトレードオフすると信頼できなくなります。二重指数がそれを示します — 一方の振幅 (a) が他方 (c) に対してゼロへ崩れ、その減衰率 (b) がそれを補います。ノイズのないデータセットは極限の場合です: フィットは a = 2.5、b = −0.4 を SSE 0 で復元し、x = 7 の帯は 0.152025 に収束します。残差が不確かさの情報を持たないからです。幅ゼロの区間が記述するのはデータであり、モデルではありません。
限界と端のケース
- 最小二乗には出発点と形が必要です。
- Levenberg–Marquardt は局所法です。データから遠く離れた初期値のモデルは悪い局所最小に収束することがあり、パネルは収束状況と反復回数を報告するので、収束しなかったことが分かります。
- データは数値のペアでなければなりません。
- 欠損値は補完されず、単位も追跡されません。解析に失敗した行は行番号付きで一覧され、比較モードは 5,000 点を超えるデータセットを無分別に実行せず拒否します。
外挿の罠
典型的な罠は、データの外で曲線を信用することです。フィットした指数は x = 20 で 0.00080612 を予測し、真値は 0.00083866 です。4 % の差は無害に見えますが、x = 7 の信頼帯がすでに ±0.022、値のおよそ 15 % もあり、距離とともに広がることに気づくと事情が変わります。同じ減衰に当てはめた二次式は上向きに転じ、データの先のどこかでゼロを横切るでしょう — 物理が禁じる形です。測定した範囲内で当てはめ、帯を明示し、それを超える予測は測定ではなくモデルに関する仮定として扱ってください。
第二の罠はデータセット間で R² を比べることです。R² はその y 列の分散に対する相対値で、同じモデルでも静かな信号で 0.99、ノイズの多い信号で 0.85 になっても悪くなったわけではありません。同じデータ上でモデルを比較し、y の単位で誤差が必要なときは RMSE を使ってください — ここでは指数が 0.0497、二次が 0.0673 です。
どこで役立つか
センサー応答の校正
既知の指数やべき乗則を校正点に当てはめ、パラメータが物理と合うか確認します。a = 2.515 対 公称 2.5 は校正の主張であり、区間 2.425 … 2.606 はそのうちどれだけがサンプリングノイズかを語ります。動作点での帯は、次の計算に持ち込む不確かさになります。
競合するメカニズムの選択
2 つのメカニズムが異なる形を予測するとき、比較表は目視ではなく情報量基準で決着をつけます: 指数の AIC −72.057 対 二次の −62.174 はほぼ 10 の差で、減衰形を強く支持します。差が 1〜2 なら結論ではなくデータの追加が必要です。
プライバシー
データ、フィット、帯はすべてブラウザ内で計算され、何もアップロードされません。
参考文献
- Wikipedia, Least squares, en.wikipedia.org (访问日期:2026-10-07)— すべてのフィットが最小化する目的関数。
- Wikipedia, Coefficient of determination, en.wikipedia.org (访问日期:2026-10-07)— パラメータを足しても R² が下がらない理由。
- Wikipedia, Akaike information criterion, en.wikipedia.org (访问日期:2026-10-07)— 比較表で使うパラメータペナルティ。
- Wikipedia, Levenberg–Marquardt algorithm, en.wikipedia.org (访问日期:2026-10-07)— フィットの背後にある減衰 Gauss–Newton 反復。
- NIST/SEMATECH e-Handbook of Statistical Methods, §4.1 Least Squares, itl.nist.gov (访问日期:2026-10-07)— 残差、自由度、不確かさ。
Calculators in this hub
Hand-picked tools, one click away. The mini versions compute live and carry your values into the full calculator.
Sources & review
- Updated