R Square | Значение F и P-значение | Коэффициенты | невязки

Этот пример учит, как вести анализ линейной регрессии в Excel и как интерпретировать Резюме вывода.

Ниже вы можете найти наши данные. Большой вопрос: есть ли связь между количеством Продан (на выходе) и цена и рекламы (Input). Другими словами: мы можем предсказать количество проданных товаров, если мы знаем цену и рекламу?

Regression Data in Excel

  1. На вкладке Данные в группе анализа, выберите команду Анализ данных.

Click Data Analysis

Примечание: не может найти кнопку анализа данных? Нажмите здесь, чтобы загрузить пакет анализа надстройку.

  1. Выберите Регрессия и нажмите кнопку ОК.

Select Regression

  1. Выберите Y Range (A1: A8). Это переменная предиктор (также называется зависимой переменной).

  2. Выберите X Range (B1: C8). Это объясняющие переменные (называемые также независимые переменные). Эти столбцы должны быть рядом друг с другом.

  3. Проверьте этикетки.

  4. Щелкните на Output Range поле и выберите ячейку А11.

  5. Контроль ост.

  6. Нажмите кнопку OK.

Regression Input and Output

Excel производит следующее резюме Output (округленный до 3 знаков после запятой).

Р Площадь

R площадь равна 0,962, что является очень хорошей формой. 96% вариации в количестве Продан объясняется независимых переменных цен и рекламы. Чем ближе к 1, тем лучше линия регрессии (читать дальше) соответствует данным.

R Square

Значение F и P-значение

Для того, чтобы проверить, если ваши результаты являются достоверными (статистически значимо), взгляд на значимость F (0,001). Если это значение меньше, чем 0,05, то все в порядке.

Если Значение F больше, чем 0,05, то, вероятно, лучше отказаться от использования этого набора независимых переменных. Удалить переменный с высоким Р-значением (более 0,05) и повторно запустить регрессии, пока Значение F не упадет ниже 0,05.

Большинство или все P-значения должны быть ниже ниже 0,05. В нашем примере это так. (0,000, 0,001 и 0,005).

Anova

Коэффициенты

Линия регрессии: у = Количество Продана = 8536.214 -835,722 Цены + 0,592 Рекламы. Другими словами, для каждого увеличения единицы в цене, количество проданных товаров уменьшается с 835.722 единиц. Для каждого увеличения единицы в рекламе, количество проданных товаров увеличивается с 0,592 единиц. Это ценная информация.

Вы можете также использовать эти коэффициенты, чтобы сделать прогноз. Например, если цена равна $ 4 и реклама составляет $ 3000, вы можете быть в состоянии достигнуть Количество проданного 8536.214 -835,722 4 + 0,592 3000 = 6970.

невязки

Остаточные показать вам, как далеко фактические точки данных ФОМ предсказанных точек данных (с помощью уравнения). Например, первая точка данных равна 8500. Используя уравнение, предсказанная точка данных равна 8536.214 -835.722 2 + 0,592 2800 = 8523,009, что дает остаточный 8500 — 8523.009 = -23.009.

Residuals

Вы также можете создать график рассеяния этих остатков.

Scatter Plot