当前位置：网站首页 » 教程 » 内容详情

残差平方和前沿信息_残差平方和用excel怎么算(2024年12月实时热点)

内容来源：兔耳朵在线影院所属栏目：教程更新日期：2024-12-04

残差平方和

一元线性回归分析的七个关键步骤一元线性回归分析是统计学中一种重要的方法，主要用于研究一个因变量与一个自变量之间的关系。以下是进行一元线性回归分析的基本步骤：建立回归模型 𐟓ˆ 首先，我们需要根据实际问题的需求，建立一个关于因变量和自变量的回归模型。这个模型通常可以表示为 y = ax + b，其中 y 是因变量，x 是自变量，a 和 b 是待估计的未知参数。未知参数估计 𐟔 接下来，我们利用样本数据来估计模型中的未知参数 a 和 b。这个过程通常使用最大似然估计法，通过最大化似然函数来找到使得数据最可能的参数值。线性假设显著性检验 𐟓Š 为了检验模型是否合适，我们需要进行线性假设的显著性检验。这通常是通过计算 F 统计量来实现的，F 统计量的计算公式为 F = SSR / SSE，其中 SSR 是回归平方和，SSE 是残差平方和。如果 F 值显著大于某个阈值，那么我们可以拒绝零假设，认为模型是显著的。系数 b 的置信区间 𐟎œ覨ᥞ‹显著的情况下，我们还可以对系数 b 进行区间估计，得到其置信区间。这个置信区间可以帮助我们了解参数 b 的可信度。回归函数值点估计和置信区间 𐟓 除了系数 b 的估计，我们还可以对回归函数进行点估计和置信区间估计。这个过程通常是通过计算样本数据的平均值和标准差来实现的，从而得到回归函数的估计值和置信区间。残差分析 𐟓Š 残差分析是检验模型拟合效果的重要步骤。我们可以通过计算残差来了解模型的拟合程度，如果残差较大，那么说明模型可能存在一些问题，需要进行进一步的调整。总结 𐟓 通过以上步骤，我们可以得到一个较为准确的预测模型，用于预测因变量与自变量之间的关系。在实际应用中，这些步骤可以帮助我们更好地理解和解决实际问题。

高级计量经济学笔记分享：基础但重要！今天整理了一些高级计量经济学的基础笔记，分享给大家，便于大家复习和学习！这些笔记涵盖了很多重要的概念和公式，大家可以多多参考！线性回归模型的基础知识 𐟓š OLS估计量：线性回归模型的最小二乘估计量是š„估计值，使得残差平方和最小。无偏性：OLS估计量是线性无偏的，即E( = €‚ 有效性：在所有线性无偏估计量中，OLS估计量的方差最小。假设检验 𐟔 t检验：用于检验回归系数的显著性。 F检验：用于检验整体模型的显著性。最小二乘估计量的性质 𐟓Š 线性性：OLS估计量是因变量的线性函数。无偏性：在经典假设下，OLS估计量是无偏的。一致性：当样本量趋近于无穷时，OLS估计量趋近于真实值。协方差矩阵 𐟓ˆ 协方差矩阵：用于描述多个变量之间的关系。正定矩阵：协方差矩阵是正定的，保证了模型的稳定性。特征值与特征向量：协方差矩阵的特征值和特征向量用于计算主成分。模型设定与检验 𐟛 ️ 模型设定：选择合适的模型形式，如线性模型、非线性模型等。检验假设：对模型的假设进行检验，如异方差性、自相关性等。调整与优化：根据检验结果调整模型，优化模型的拟合效果。总结 𐟓 这些笔记涵盖了高级计量经济学的基础知识和重要概念，希望对大家有所帮助！大家可以根据自己的需求进行参考和学习，加油！

计量经济学：异方差的三大后果与检验方法 𐟓Š 异方差的后果在计量经济学中，异方差性是一个常见但令人头疼的问题。简单来说，异方差性就是数据点的方差不是恒定的。回顾一下，我们之前假设的“球形扰动项”意味着每一组数据的方差都是相同的，这在现实世界中并不总是成立的。 ❄️ 后果1：OLS估计量依然无偏，一致且接近正态。这是因为OLS的这些性质并没有依赖于同方差的假设，而是依赖于严格外生性的假设。严格外生性意味着扰动项的均值独立于所有观测数据。 ❄️ 后果2：OLS估计量的方差表达式会改变，导致无法使用T检验或F检验。这意味着我们需要寻找其他方法来评估模型的显著性。 ❄️ 后果3：高斯马尔科夫定理不再成立，OLS不再是最佳线性无偏估计（BLUE）。这时，我们需要使用“加权最小二乘法”来校正。 𐟓Š 异方差的检验方法 1️⃣ 画残差图：通过观察残差图来直观地检查是否存在异方差性。 2️⃣ BP检验：这个方法的前提假设是异方差函数是线性的。我们建立条件同方差的原假设，然后进行辅助回归检验。由于扰动项不可观测，我们用可观测的残差平方和来代替。如果拟合优度R^2很高，那么原本同方差的假设就越不可信。 3️⃣ 怀特检验：这个方法适用于大样本或解释变量少的模型。它考虑了异方差的线性函数的可能性，同时也加入了高次项（如平方项和交叉项）进行辅助回归检验。 𐟓Š 异方差的修正方法由于BP检验只考虑了异方差的线性函数的可能性，而忽视了高次项非线性的可能性，怀特检验加入了高次项的可能（含平方项和交叉项）进行辅助回归检验（同上，可用F检验或LM检验）。通过这种方式，我们可以更准确地估计模型的参数和检验模型的显著性。

AI模型评估指南：从分类到回归在机器学习中，评估一个模型的性能至关重要。根据数据集的目标值不同，模型评估可以分为分类模型评估和回归模型评估。下面我们来详细探讨这两种评估方法。分类模型评估 𐟓Š 分类模型的评估指标主要包括准确率、精确率、召回率和F1-score，以及AUC score。这些指标帮助我们全面了解模型的性能。准确率（Accuracy）准确率是预测正确的样本数占总样本数的比例，计算公式为：(TP + TN) / (TP + TN + FP + FN)。精确率（Precision）精确率是正确预测为正的样本占所有预测为正的比例，计算公式为：TP / (TP + FP)。召回率（Recall）召回率是正确预测为正的样本占所有正样本的比例，计算公式为：TP / (TP + FN)。也称为查全率。 F1-score F1-score用于评估模型的稳健性，计算公式为：2PR / (P + R)，其中P是精确率，R是召回率。F1-score可以中和精确率和召回率的单独使用，因为单独使用精确率或召回率可能无法全面评估模型的好坏。 AUC Score AUC score主要用于评估样本不均衡的情况。通过绘制ROC曲线并计算曲线下的面积来得到。ROC曲线的横坐标是FPR（假正率），纵坐标是TPR（真正率）。回归模型评估 𐟓ˆ 回归模型的评估指标包括RMSE、RSE、MAE、RAE和决定系数。这些指标帮助我们了解回归模型的误差和解释度。均方根误差（RMSE） RMSE是衡量回归模型误差的常用公式，适用于误差单位相同的模型。相对平方误差（RSE） RSE可以比较误差单位不同的模型。平均绝对误差（MAE） MAE与原始数据单位相同，适用于误差单位相同的模型，量级近似RMSE，但误差值相对小一些。相对绝对误差（RAE） RAE与RSE不同，适用于误差单位不同的模型。决定系数（Rⲯ𜉊决定系数（Rⲯ𜉦𑇦€𛤺†回归模型的解释度，计算公式为：1 - (RSS / TSS)，其中RSS是残差平方和，TSS是总平方和。RⲨ𖊦Ž娿‘1，说明回归模型越好，自变量和因变量之间存在线性关系。模型拟合 𐟎补ž‹评估不仅关注模型的表现效果，还关注模型的拟合情况。拟合情况可以分为过拟合和欠拟合。欠拟合欠拟合是指模型学到的特征太少，导致无法准确识别或预测。过拟合（Overfitting）过拟合是指模型在训练样本中表现得过于优越，但在验证集或测试集中表现不佳。通过这些指标和概念，我们可以全面评估AI模型的性能，从而更好地优化和调整模型。

如何调整Stata显著性？很多朋友问我，Stata中的显著性是如何调整的。今天我就来分享一下我的一些经验，希望能帮到那些在学术路上挣扎的小伙伴们。显著性调整的步骤 𐟓ˆ 首先，我们可以通过改变衡量方式来调整显著性。比如说，我们可以换一种因变量和自变量的组合。接下来，我们还可以尝试加入不同的控制变量。此外，固定效应的调整也是一个不错的选择。最后，调整样本区间也是一个常见的做法。如何调整样本区间？ 𐟓Š 假设我们的被解释变量是GDP，解释变量是OFDI。那么我们的方程就是GDP = a + ? * OFDI。其中，?就是我们要求的系数，也就是斜率。斜率有三种情况：大于0，表示正显著等于0，表示不显著小于0，表示负显著那么，这个斜率是怎么来的呢？我们可以通过画出GDP和OFDI的散点图来观察。图2中的红色线就是我们的斜率，它是各个点到这条线距离最短，也就是残差平方和最小。我们可以看到它的斜率是大于0的，表示x对y的影响是正的。如果你想要把斜率变成负的，可以尝试删除一些样本数据。比如，删除图2中红色框框的点，也就是大概x轴(OFDI)大于8并且y轴(GDP)大于10的样本数据。删除后，如图3，我们的斜率就变成了负的，表示x对y的影响变成了负的。个人建议 𐟒ኊ虽然这些方法可以帮助我们调整显著性，但我个人并不推荐这样做。毕竟，学术研究需要的是真实和可靠的结果，而不是为了显著性而调整数据。希望这些方法能帮到那些在学术路上挣扎的小伙伴们，找到属于自己的平衡点。希望这篇文章能帮到你们，祝大家学术顺利！𐟓š

多元统计分析笔记：因子分析的奥秘 𐟧銥› 子分析这一部分，我写得太少了，真是有点惭愧啊𐟘…。让我们一起来回顾一下因子分析的关键内容吧。因子分析的基础 𐟓š 首先，因子分析的核心思想是将原始变量转化为少数几个综合变量，这些综合变量能够尽可能多地解释原始变量的方差。简单来说，就是通过降维来简化数据。主成分分析法 𐟌Ÿ 主成分分析（PCA）是因子分析的一种常见方法。它的基本步骤包括：将原始数据标准化。计算样本相关矩阵的特征根和特征向量。提取出特征根最大的几个主成分。旋转因子 𐟌€ 有时候，主成分分析得到的主成分并不能直接解释原始变量的关系。这时候，我们就需要进行因子旋转。旋转的目的是让主成分在原始变量空间中有一个更清晰的解释。极大似然法 𐟌 极大似然法是另一种常用的因子分析方法。它假定原始变量来自正态分布，然后通过最大化似然函数来估计因子载荷和特殊因子方差。主轴法和极小残差法 𐟓‰ 这两种方法都是为了改进因子分析的稳定性。主轴法通过调整相关矩阵来提高估计的准确性，而极小残差法则通过最小化残差平方和来优化估计结果。多元统计分析与因子的区别 𐟔 最后，我们来看看多元统计分析和因子分析的区别。多元统计分析主要关注数据的整体分布和关系，而因子分析则更侧重于提取和解释数据的潜在结构。两者虽然有些相似，但侧重点不同。总结 𐟓 因子分析是一种重要的多元统计分析方法，它可以帮助我们简化数据并提取出重要的综合变量。通过标准化、计算特征根和特征向量、旋转因子以及使用极大似然法等步骤，我们可以更好地理解和解释原始变量之间的关系。希望这些笔记能帮助你更好地掌握因子分析的精髓！

最大气泡法测溶液表面张力的实验报告 𐟓Š 实验数据（正丁醇，温度20℃）表1：不同浓度正丁醇溶液的表面张力 | 浓度 (mol/dm⳩ | 表面张力 (Pa) | | --- | --- | | 0.07274 | 510.00 | | 0.05473 | 410.00 | | 0.1626 | 325.33 | | 0.04652 | 269.67 | | 0.3720 | 230.67 | | 0.6226 | 179.00 | | 0.8618 | 141.33 | | 1.3084 | 119.00 | | 1.7173 | 110.33 | 图1：表面张力与浓度的关系（图略）表2：表面张力与浓度的线性拟合参数 | 方程 | 参数 | 值 | | --- | --- | --- | | y = 0.06951 - 0.14891x | a | 0.06951 | | y = Al * exp(x/t1) + y = 0.06698 - 0.11955x | A1, t1 | (0.05473, 0.06136) | | y = 0.0644 - 0.10183x | a, b | (0.12, 0.0526) | | y = 0.05834 - 0.07346x | a, b | (0.26645, 0.03877) | | y = -0.05145 - 0.05166x | a, b | (0.4968, 0.02696) | | y = -0.03718 - 0.0205x | a, b | (0.62744, 0.02335) | | y = -0.01009x | a, b | (8.78967E7, Pearson's r = 0.995) | 𐟓Š 数据拟合与线性回归分析图2：表面张力与浓度的线性拟合图（未展示）由图2可知，线性拟合方程为：y = a + bx，其中a = -2485，b = -3655。残差平方和为8.78967E7，Pearson's r = 0.995，R平方(CD) = 0.95941，调整后R平方 = 0.94927。

多元线性回归：探索多个变量之间的关系 𐟓ˆ 多元线性回归是统计学中一种非常实用的方法，专门用来研究多个自变量（也叫预测变量）和一个因变量（也叫响应变量）之间的关系。简单来说，它就是简单线性回归的升级版，后者只涉及一个自变量和一个因变量。在多元线性回归中，我们假设有多个自变量 X1, X2, ..., Xp，它们与一个因变量 Y 之间存在线性关系。这个关系可以用一个回归方程来表示： Y =  + X1 + X2 + ... + Xp +  这个方程里： Y 是因变量（或响应变量）。 X1, X2, ..., Xp 是自变量（或预测变量）。  是截距项（常数项），表示当所有自变量为零时，因变量的预测值。 , , ...,  是自变量的系数，表示自变量对因变量的影响程度。 是误差项，表示模型无法解释的随机误差。多元线性回归的目标是通过拟合这个方程，找到最佳的系数 , , ..., ，以最好地预测因变量 Y 的值。通常使用最小二乘法来估计这些系数，使得观测数据与模型预测值的残差平方和最小化。这种方法在实际应用中非常广泛，比如在经济学、社会科学、自然科学等领域。它能帮助我们分析多个变量对某一现象的联合影响，并进行预测和解释。在机器学习和数据分析中，多元线性回归（MLR）是一种统计技术，用于预测一个因变量与两个或多个自变量之间的关系。通过向简单线性回归模型添加更多预测因子，该技术有助于更好地理解预测因子如何影响整个结果变量。使用最符合观测数据的方程，多元线性回归的主要目标是根据自变量的值预测因变量的值。这种方法广泛应用于经济学、金融、生物学和社会科学等许多领域，以促进预测、检测模式和理解多个因素对单一结果的影响。

9101验证：精密度&准确性 5.3 精密度精密度是指在规定的测试条件下，同一份均匀供试品经过多次取样测定后结果的接近程度。 5.3.1 重复性在相同条件下，同一分析人员测定所得结果的精密度称为重复性。通常需要取6份相同浓度的样品进行测定，或者设计至少3种不同浓度，每个浓度至少3份样品，用至少9份样品进行测定。 5.3.2 中间精密度同一实验室在不同时间、不同分析人员或不同设备下测定结果之间的精密度称为中间精密度。需要考察随机变动因素，如不同日期、不同分析人员、不同仪器对精密度的影响。 5.3.3 重现性不同实验室测定结果之间的精密度称为重现性。国家药品质量标准采用的分析方法，应注重重现性试验。 5.3.4 数据要求所有数据应报告标准偏差、相对标准偏差或置信区间。可接受的参考范围见图2。 5.4 检测限检测限是指被检出的最低量。常用方法包括直观法、信噪比法（3：1）以及基于响应值标准偏差和标准曲线斜率法。 5.5 定量限定量限是指被定量测定的最低量。常用方法有直观法、信噪比法（10：1）以及基于响应值标准偏差和标准曲线斜率法。 5.6 线性线性是指在设计范围内，实验结果与试样中被测物浓度直接呈比例关系的能力。样品可精密梯度稀释或分别精密配制各浓度点，至少制备5个不同浓度水平。数据要求包括列出回归方程、相关系数、残差平方和、线性图等。 5.7 范围范围是指分析方法能达到的精密度、准确度和线性要求时的高低限度或量的区间。 5.7.1 原料药和制剂含量测定范围一般为测定浓度的80%~120%。 5.7.2 制剂含量均匀度检查范围一般为测定浓度的70%~130%。 5.7.3 特殊剂型如气雾剂和喷雾剂，范围可适当放宽。 5.7.4 溶出度或释放度中溶出量测定范围一般为限度的ⱳ0%，如规定了限度范围，则应为下限的-20%至上限的+20%。 5.7.5 杂质测定范围应根据初步实际测定数据，拟定为规定限度的Ⱳ0%。 5.7.6 含量测定和纯度检查如果一个试验同时进行含量测定和纯度检查，且仅使用100%的对照品，线性范围应覆盖杂质的报告水平至规定含量的120%。 5.7.7 中药分析范围应根据分析方法的具体应用和线性、准确度、精密度结果及要求测定。对于有毒、具特殊功效或药理作用的成分，其验证范围应大于被限定含量的区间。溶出度或释放度中的溶出量测定，范围一般为限度的ⱳ0%。 5.8 耐用性在测定条件有小的变动时，测定结果不受影响的承受程度。

经管类实证论文常用计量方法详解！写毕业论文的时候，尤其是经管类的，实证论文简直是绕不开的一道坎儿。很多人一听到计量经济学就头大，别担心，我来帮你理清楚！这篇文章帮你快速找到适合自己的实证方法，但记住，这只是个参考，千万别生搬硬套哦！ Probit模型 𐟓ˆ 这个方法适用于解释变量服从正态分布，被解释变量是0,1这样的二元离散变量。举个例子，比如你要研究家庭或个人是不是有投资股票，有投资股票的赋值为1，没有的赋值为0。这时候Probit模型就很适合了。如果被解释变量是0,1,2这样的有序变量，那就升级为有序Probit模型。 Logit模型 𐟓Š Logit模型和Probit模型很像，但应用范围更广。如果你觉得Probit不太合适，可以考虑Logit。它的解释变量服从logistic分布，被解释变量也是离散变量。 Tobit模型 𐟚€ Tobit模型适用于研究受限的连续因变量问题。比如，家庭收入的微观调查数据中，受访者报告的收入和实际收入相比取值受限。这时候就可以用Tobit来研究和收入有关的因素。双重差分模型（DID） 𐟔„ DID模型主要用于研究政策的作用效果。当论文研究某一政策实施前后的效果，且满足平行趋势检验时，可以用DID模型。这个模型有很多细分，包括交叠DID、多时点DID、三重差分等等。比如，你可以研究健康中国战略实施的影响。回归间断设计（RD） 𐟏劒D模型也是用于研究政策效果的一种方法。与DID不同的是，RD在政策实施的点处，往往会出现一个跳跃的政策效果。比如，可以研究与年龄有关的一些政策，诸如60岁领取养老金等。合成控制法（SCM） 𐟔犥𝓄ID找不到理想的对照组实验组时，可以用合成控制法（SCM）。它可以通过构建一个理想的对照组来研究政策效果。最小二乘法（OLS） 𐟓 OLS是最小二乘法，也是大家最早接触的估计方法之一。它的基本原理就是用一条直线拟合所有数据，使得残差平方和最小。所以，这个方法适合研究具备线性关系的自变量和因变量，例如，研究产品生产和原材料损耗之间的问题。广义矩估计（GMM） 𐟔銇MM适用于解决具有内生性的问题。如果你有个长面板的数据，又不想用工具变量，那就交给GMM吧！不过GMM往往需要使用较多的检验，而且对数据要求性很高。数据包络分析（DEA） 𐟓Š 当有很多变量，变量间的相互关系又比较复杂时，可以用数据包络分析（DEA）。它会给出一个满意的结果。篇幅有限，不能详细说明每个方法的具体应用。以后有时间我会慢慢做一些具体的专题分享。希望这篇文章能帮你找到适合自己的实证方法！𐟓š

专栏内容推荐

910 x 663 · png
残差平方和（RSS：Residual Sum of Squares）／[損失関数]二乗和誤差（SSE：Sum of Squared Error ...
素材来自:atmarkit.itmedia.co.jp
620 x 309 · jpeg
残差平方和怎么计算_360新知
素材来自:xinzhi.wenda.so.com

404 x 265 · jpeg
Excelソルバーで解く! 単回帰分析の予測の秘密【ChatGPT統計解析】
素材来自:statg.com
371 x 137 · png
残差平方和（RSS：Residual Sum of Squares）／[損失関数]二乗和誤差（SSE：Sum of Squared Error ...
素材来自:atmarkit.itmedia.co.jp

768 x 630 · jpeg
回帰直線 | 統計ブログ
素材来自:hsugaku.com
474 x 236 · jpeg
残差平方和怎么计算_360新知
素材来自:xinzhi.wenda.so.com

300 x 216 · jpeg
残差平方和 - 搜狗百科
素材来自:baike.sogou.com
素材来自:youtube.com

474 x 236 · jpeg
残差平方和怎么计算_360新知
素材来自:xinzhi.wenda.so.com

441 x 71 · png
二乗平均平方根などの統計量について
素材来自:arduinopid.web.fc2.com

1600 x 929 · png
Chapter 6 Rによるデータ分析④ | データ解析入門
素材来自:bookdown.org
1216 x 476 · png
回帰直線と残差平方和 | シミュレーショングラフ | 身近な統計
素材来自:ouj.ac.jp

1280 x 720 · jpeg
残差とは何か？正規分布していることの意味をわかりやすく解説！ | いちばんやさしい、医療統計
素材来自:best-biostatistics.com

400 x 324 · png
回帰分析の特徴を直感的にとらえる
素材来自:ictsr4.com
1000 x 500 · png
2. 直線回帰、確率分布 — 統計モデリング入門 2023 岩手連大
素材来自:heavywatal.github.io

768 x 537 · png
重回帰分析の回帰式が導出できる
素材来自:qcplanets.com
640 x 544 · png
残差平方和とは - AI(機械学習)に必要な数学 CWiki
素材来自:jpn.itlibra.com

800 x 600 · png
重回帰、誤差の標準偏差の推定 - エクセルQC館
素材来自:excelshogikan.com
583 x 625 · png
残差プロットと残差の正規性診断
素材来自:zen.shinshu-u.ac.jp

542 x 389 · jpeg
【Excel】偏差平方和とは？計算問題を解いてみよう【演習問題】
素材来自:kenkou888.com
1200 x 630 · png
残差平方和を最小にする回帰直線の決定係数は相関係数の2乗に等しい - 理系学生日記
素材来自:kiririmode.hatenablog.jp

1094 x 496 · png
回帰直線と残差平方和 | シミュレーショングラフ | 身近な統計
素材来自:ouj.ac.jp

700 x 207 · jpeg
什么是残差平方和如何计算（什么是残差）_环球知识网
素材来自:jjsx.com.cn

800 x 419 · jpeg
【重回帰分析のエッセンス】残差平方和の確率分布と自由度修正済み決定係数🔥：計量経済学 No.39｜Kenshin＠自己成長記録note📚
素材来自:note.com

480 x 360 · jpeg
残差の標準誤差と残差平方和 | 残差とはに関する情報の概要が最も正確です
素材来自:universitiescaribbean.com
1439 x 1061 · jpeg
Excelで残差平方和を計算する方法
素材来自:statorials.org

1000 x 604 · jpeg
【本記事限定】残差eの分散の期待値の導出がわかる
素材来自:qcplanets.com
1080 x 540 · png
7. 統計モデリング1: 確率分布、尤度 — 進化学実習 2023 牧野研東北大学
素材来自:heavywatal.github.io

720 x 540 · gif
ようこそ、化学標準物質の不確かさへのいざない
素材来自:unit.aist.go.jp
1186 x 478 · png
回帰直線と残差平方和 | シミュレーショングラフ | 身近な統計
素材来自:ouj.ac.jp

238 x 232 · png
指数関数でフィッティングしても残差平方和が最小にならない（前編） - 分析室の屋根裏
素材来自:home.hirosaki-u.ac.jp
200 x 150 · png
残差平方和について，残差平方和を観測点数で割ることは一般的でしょうか... - Yahoo!知恵袋
素材来自:detail.chiebukuro.yahoo.co.jp

800 x 600 · png
変数選択、理論的補足 - エクセルQC館
素材来自:excelshogikan.com
550 x 413 · jpeg
DEVSQ関数（偏差平方和） - Using Excel
素材来自:pc-master.sakura.ne.jp

1280 x 670 · png
書記が数学やるだけ#207 回帰直線の残差，平方和の考え方｜Writer_Rinka
素材来自:note.com

素材来自:查看更多內容

当前用户设备UA：Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko; compatible; ClaudeBot/1.0; [email protected])