R-Platz | Bedeutung F und P-Werte | Beiwerte | Residuen

Dieses Beispiel zeigt Ihnen, wie eine lineare Regressionsanalyse in Excel laufen und wie die Zusammenfassung Ausgabe zu interpretieren.

Hier finden Sie unsere Daten. Die große Frage ist: Gibt es eine Beziehung zwischen Anzahl verkaufter Produkte (Output) und Preis und Werbung (Input). Mit anderen Worten: wir können Menge vorhersagen verkauft, wenn wir Preis und Werbung kennen?

Regression Data in Excel

  1. Wählen Sie auf der Registerkarte Daten in der Gruppe Analyse auf Datenanalyse.

Click Data Analysis

Hinweis: kann nicht die Datenanalyse-Taste finden? Klicken Sie hier, um die Analyse-Funktionen Add-In zu laden.

  1. Wählen Sie Regression und klicken Sie auf OK.

Select Regression

  1. Wählen Sie die Y-Strecke (A1: A8). Dies ist die Vorhersage-Variable (auch abhängige Variable genannt).

  2. Die X Bereich auswählen (B1: C8). Dies sind die erklärenden Variablen (auch als unabhängige Variablen). Diese Spalten müssen zueinander benachbart sein.

  3. Überprüfen Sie Etiketten.

  4. Klicken Sie in Feld Ausgabebereich ein und wählen Sie Zelle A11.

  5. Prüfen Sie Residuen.

  6. Klicken Sie auf OK.

Regression Input and Output

Excel erzeugt die folgende Zusammenfassung Output (gerundet auf 3 Dezimalstellen).

R-Platz

R-Platz gleich 0,962, was eine sehr gute Passform. 96% der Variation in Anzahl verkaufter Produkte wird durch die unabhängigen Variablen Preis und Werbung erklärt. Je näher an 1 ist, desto besser die Regressionslinie (lesen on) paßt die Daten.

R Square

Bedeutung F und P-Werte

Um zu überprüfen, ob Ihre Ergebnisse zuverlässig sind (statistisch signifikant), Blick auf Bedeutung F (0,001). Wenn dieser Wert kleiner als 0,05, du bist OK.

Wenn Bedeutung F größer als 0,05 ist, dann ist es wahrscheinlich besser mit diesem Satz von unabhängigen Variablen zu stoppen. Löschen eine Variable mit einem hohen P-Wert (grßer als 0,05) und erneut aus, bis die Regressions Bedeutung F unter 0,05 fällt.

Die meisten oder alle P-Werte sollten unter unter 0,05 liegen. In unserem Beispiel ist dies der Fall. (0,000, 0,001 und 0,005).

Anova

Coefficients

Die Regressionsgerade ist: y = Anzahl verkaufter = 8536.214 -835,722 Preis + 0,592 Werbung. Mit anderen Worten, für jede Einheit Erhöhung des Preises, Anzahl verkaufter Produkte nimmt mit 835,722 Einheiten. Für jede Einheit Anstieg der Werbung, Anzahl verkaufter Produkte steigt mit 0.592 Einheiten. Dies ist eine wertvolle Information.

Sie können auch diese Koeffizienten verwenden, um eine Prognose zu tun. Zum Beispiel, wenn der Preis gleich $ 4 und Werbung gleich $ 3000, können Sie in der Lage sein, eine Menge zu erreichen Verkauft von 8536,214 -835,722 4 + 0,592 3000 = 6970.

Residuen

Die Residuen zeigen Ihnen, wie weit entfernt die tatsächlichen Datenpunkte sind Fom der vorhergesagten Datenpunkte (unter Verwendung der Gleichung). Zum Beispiel weisen die ersten Daten gleich 8500. Verwendung der Gleichung, die vorhergesagte Datenpunkt entspricht 8536,214 -835,722 2 + 0,592 2800 = 8523,009, eine Rest von 8500 geben – 8523,009 = -23,009.

Residuals

Sie können auch ein Streudiagramm dieser Residuen erstellen.

Scatter Plot