回归分析在Excel
R广场| 链接：＃意义-F-和p值[意义F和P值]| 链接：#coefficients [系数]| 链接：#residuals [残差]
这个例子教你如何在Excel中运行的线性回归分析和如何解释摘要输出。
下面你可以找到我们的数据。最大的问题是：有没有售出数量（输出），价格和广告（输入）之间的关系。换句话说：我们可以预测售出数量，如果我们知道价格和广告？
1.在数据选项卡，在分析组中，单击数据分析。
注：找不到数据分析按钮？点击这里载入分析工具库加载项。
2.选择回归，然后单击确定。
3.选择Y范围（A1：A8）。这是预测变量（也称为从属变量）。
4.选择X范围（B1：C8）。这些解释变量（也称为自变量）。这些列必须是彼此相邻的。
5.检查标签。
6.单击输出范围框，然后选择单元格A11。
7.检查残差。
8.单击确定。
Excel中产生以下摘要输出（四舍五入至小数点后3位）。
R平方
R平方等于0.962，这是一个非常不错的选择。在售出数量变化的96％是由自变量的价格和广告解释。越接近1，更好的回归线（读取）适合的数据。
意义F和P值
要检查你的结果是可靠的（统计上显著），看看意义F（0.001）。如果该值小于0.05时，你真行。
如果意义F是大于0.05，它可能会更好，停止使用该组自变量。删除具有高P值（大于0.05）的变量并重新运行回归直到意义时会降低低于0.05。
大部分或全部的P值应低于0.05以下。在我们的例子是这种情况。 （0.000，0.001和0.005）。
系数
回归线为：y =售出数量= 8536.214 -835.722价格+ 0.592广告。换句话说，对于每个价格单位增加，售出数量与835.722单位减小。对于广告的每个单位增加，售出数量增加与0.592单位。这是有价值的信息。
您也可以使用这些系数来做预测。例如，如果价格等于$ 4和广告等于$ 3000，你也许能达到销售的8536.214 -835.722 4 + 0.592 = 3000一6970.数量
残差
残差为您显示实际数据点有多远是FOM的预测数据点（使用公式）。例如，第一个数据点等于8500使用方程，预测数据点等于8536.214 -835.722 2 + 0.592 2800 = 8523.009，给人一种残留的8500 – 8523.009 = -23.009。
您还可以创建这些残差的散点图。
