R Square | Значение F и P-стойности | Коефициенти | Остатъци
Този пример ви учи как да стартирате a линеен регресионен анализ в Excel и как да се тълкува обобщената продукция.
По -долу можете да намерите нашите данни. Големият въпрос е: има ли връзка между продаденото количество (продукция) и цената и рекламата (суровина). С други думи: можем ли да предвидим продаденото количество, ако знаем цена и реклама?
1. В раздела Данни в групата Анализ щракнете върху Анализ на данни.
Забележка: не можете да намерите бутона Анализ на данни? Щракнете тук, за да заредите добавката Analysis ToolPak.
2. Изберете Регресия и щракнете върху OK.
3. Изберете диапазона Y (A1: A8). Това е променливата на предиктора (наричана още зависима променлива).
4. Изберете диапазона X (B1: C8). Това са обяснителните променливи (наричани още независими променливи). Тези колони трябва да са съседни една на друга.
5. Проверете етикетите.
6. Щракнете в полето Output Range и изберете клетка A11.
7. Проверете остатъците.
8. Щракнете върху OK.
Excel произвежда следния обобщен изход (закръглен до 3 знака след десетичната запетая).
R Square
R Square се равнява на 0,962, което е много подходящо. 96% от вариацията в продаденото количество се обяснява с независимите променливи Цена и реклама. Колкото по -близо до 1, толкова по -добре регресионната линия (четене) се вписва в данните.
Значение F и P-стойности
За да проверите дали вашите резултати са надеждни (статистически значими), погледнете Значимост F (0,001). Ако тази стойност е по -малка от 0,05, вие сте добре. Ако значимостта F е по -голяма от 0,05, вероятно е по -добре да спрете да използвате този набор от независими променливи. Изтрийте променлива с висока P-стойност (по-голяма от 0,05) и повторете регресията, докато значимостта F падне под 0,05.
Повечето или всички P-стойности трябва да бъдат под 0,05. В нашия пример това е така. (0,000, 0,001 и 0,005).
Коефициенти
Регресионната линия е: y = Продадено количество = 8536.214 -835.722 * Цена + 0.592 * Реклама. С други думи, за всяко увеличение на цената на единица, продаденото количество намалява с 835.722 единици. За всяко увеличение на единицата в рекламата, продаденото количество се увеличава с 0,592 единици. Това е ценна информация.
Можете също да използвате тези коефициенти, за да направите прогноза. Например, ако цената е равна на $ 4, а рекламата е $ 3000, може да успеете да постигнете продадено количество от 8536,214 -835,722 * 4 + 0,592 * 3000 = 6970.
Остатъци
Остатъците ви показват колко далеч са действителните точки от данните от прогнозираните точки от данни (използвайки уравнението). Например, първата точка от данни е равна на 8500. Използвайки уравнението, прогнозираната точка от данни е равна на 8536.214 -835.722 * 2 + 0.592 * 2800 = 8523.009, което дава остатък от 8500 -8523.009 = -23.009.
Можете също така да създадете диаграма за разсейване на тези остатъци.
