Wir verwenden Regressionsanalyse wenn wir Daten von zwei Variablen aus zwei verschiedenen Quellen haben und eine Beziehung zwischen ihnen herstellen wollen. Regressionsanalyse liefert uns ein lineares Modell, mit dem wir mögliche Ergebnisse vorhersagen können. Aus offensichtlichen Gründen wird es einige Unterschiede zwischen den vorhergesagten und den tatsächlichen Werten geben. Folglich müssen wir den Standardfehler berechnen mit Hilfe des Regressionsmodells, d.h. der durchschnittliche Fehler zwischen vorhergesagten und tatsächlichen Werten. In diesem Lernprogramm zeigen wir Ihnen, wie Sie den Standardfehler der Regressionsanalyse in Excel .

Download Arbeitsbuch Praxis

Laden Sie dieses Übungsheft herunter, um zu üben, während Sie diesen Artikel lesen.

4 einfache Schritte zur Berechnung des Standardfehlers einer Regression in Excel

Angenommen, Sie haben einen Datensatz mit einer unabhängige Variable ( X ) und eine abhängige Variable ( Y ) Wie Sie sehen, stehen sie in keiner signifikanten Beziehung zueinander. Aber wir wollen eine herstellen. Daher werden wir die Regressionsanalyse Wir werden den Standardfehler zwischen den beiden Variablen mit Hilfe der Regressionsanalyse berechnen. In der zweiten Hälfte des Artikels werden wir einige Parameter des Regressionsmodells erläutern, um Ihnen bei der Interpretation des Modells zu helfen.

Schritt 1: Anwenden des Befehls Datenanalyse zur Erstellung eines Regressionsmodells

• Gehen Sie erstens zur Daten und klicken Sie auf die Registerkarte Datenanalyse Befehl.

• Von der Datenanalyse wählen Sie das Feld Regression Option.
• Klicken Sie dann auf OK .

Schritt 2: Eingabe- und Ausgabebereich in die Regressionsbox einfügen

• Für die Eingabe Y Bereich wählen Sie den Bereich C4:C13 mit der Überschrift.
• Klicken Sie auf das Etiketten Kontrollkästchen.

• Wählen Sie den Bereich B4:B13 für die Eingabe X Bereich .

• Um das Ergebnis an der gewünschten Stelle zu erhalten, markieren Sie eine beliebige Zelle ( B16 ) für die Leistungsbereich .
• Klicken Sie schließlich auf OK .

Lesen Sie mehr: Berechnung des Standardfehlers der Proportion in Excel (mit einfachen Schritten)

Schritt 3: Ermitteln des Standardfehlers

• Aus der Regressionsanalyse können Sie den Wert des Standardfehlers ( 3156471 ).

Lesen Sie mehr: Wie man den Reststandardfehler in Excel findet (2 einfache Methoden)

Schritt 4: Regressionsmodell grafisch darstellen

• Klicken Sie zunächst auf das Feld einfügen. tab.
• Von der Diagramme Gruppe, wählen Sie die Streuung Karte.

• Klicken Sie mit der rechten Maustaste auf . über eine der Weichen.
• Wählen Sie unter den Optionen die Option Trendlinie hinzufügen Option.

• Daher ist Ihr Regressionsanalyse Das Diagramm wird wie unten abgebildet dargestellt.

• Zur Anzeige der Regressionsanalyse Gleichung, klicken Sie auf das Feld Gleichung im Diagramm anzeigen von der Option Format Trendlinie.

• Daraus ergibt sich, dass die Gleichung ( y = 1,0844x + 107,21 ) der Regressionsanalyse werden im Diagramm angezeigt.

Anmerkungen:

Sie können die Differenz zwischen den vorhergesagten Werten und den tatsächlichen Werten anhand der Gleichung der Regressionsanalyse berechnen.

Schritte:

• Geben Sie die Formel zur Darstellung der Regressionsanalysegleichung ein.

• Sie erhalten also den ersten vorhergesagten Wert ( 129.9824 ), der vom tatsächlichen Wert abweicht ( 133 ).

• Verwenden Sie die AutoFill-Werkzeug zum automatischen Ausfüllen der Spalte D .

• Um den Fehler zu berechnen, geben Sie die folgende Formel ein, um ihn zu subtrahieren.

• Schließlich, Auto-Fill-Spalte E um die Fehlerwerte zu ermitteln.

Lesen Sie mehr: Berechnung des Standardfehlers der Regressionssteigung in Excel

Die Auswertung der Regressionsanalyse in Excel

1. der Standardfehler

Aus der Gleichung der Regressionsanalyse geht hervor, dass es immer eine Differenz oder einen Fehler zwischen den vorhergesagten und den tatsächlichen Werten gibt, so dass wir die durchschnittliche Abweichung der Differenzen berechnen müssen.

A Standardfehler stellt den durchschnittlichen Fehler zwischen dem vorhergesagten und dem tatsächlichen Wert dar. Wir haben festgestellt 8.3156471 als die Standardfehler Er zeigt an, dass es eine Differenz zwischen den vorhergesagten und den tatsächlichen Werten gibt, die größer sein könnte als die Regressionsrate. Standardfehler ( 15.7464 ) oder weniger als der Standardfehler ( 4.0048 ), aber unsere mittlerer Fehler wird 8.3156471 das ist die Standardfehler .

Ziel des Modells ist es daher, den Standardfehler zu reduzieren. Die unter der Standardfehler, desto mehr genau das Modell.

2. koeffizienten

Der Regressionskoeffizient bewertet die Antworten der unbekannten Werte. In der Regressionsgleichung ( y = 1,0844x + 107,21 ), 1.0844 ist die Koeffizient , x ist die unabhängige Prädiktorvariable, 107.21 ist die Konstante, und y ist der Antwortwert für die x .

• A positiver Koeffizient sagt voraus, dass die Antwortvariable umso höher ist, je höher der Koeffizient ist. Er weist auf eine proportional Beziehung.
• A negativer Koeffizient sagt voraus, dass die Antwortwerte umso niedriger sind, je höher der Koeffizient ist. Er weist auf eine disproportional Beziehung.

3. p-Werte

In der Regressionsanalyse, p-Werte und Koeffizienten zusammen, um Sie darüber zu informieren, ob Korrelationen in Ihrem Modell statistisch relevant sind und wie diese Beziehungen aussehen. Die Nullhypothese dass die unabhängige Variable keinen Zusammenhang mit der abhängigen Variable hat, wird mit der p-Wert Es besteht kein Zusammenhang zwischen den Veränderungen der unabhängigen Variablen und den Veränderungen der abhängigen Variablen, wenn es keine Korrelation gibt.

• Ihre Beispieldaten bieten genügend Anhaltspunkte für fälschen die Nullhypothese für die Grundgesamtheit, wenn die p-Wert für eine Variable ist weniger Ihre Beweise stützen die Vorstellung, dass es sich um eine Nicht-Null-Korrelation Auf der Ebene der Grundgesamtheit sind Veränderungen der unabhängigen Variablen mit Veränderungen der abhängigen Variablen verbunden.
• A p-Wert größer als das Signifikanzniveau, auf beiden Seiten, deutet darauf hin, dass Ihre Stichprobe unzureichender Nachweis um festzustellen, dass ein Nicht-Null-Korrelation existiert.

Weil ihre p-Werte ( 5.787E-06 , 1.3E-06 ) sind weniger als die signifikanter Wert ( 5.787E-06 ), die Unabhängige Variable (X) und Abfangen sind statistisch signifikant wie im Beispiel der Regressionsausgabe zu sehen ist.

4) R-Quadrat-Werte

Für lineare Regressionsmodelle, R-Quadrat ist eine Vollständigkeitsmessung Dieses Verhältnis zeigt die Prozentsatz der Varianz in der abhängigen Variable, die die unabhängigen Faktoren zusammen ausmachen. Auf einer praktischen 0-100 Prozent-Skala, R-Quadrat quantifiziert die Stärke des Zusammenhangs zwischen Ihrem Modell und der abhängigen Variable.

Die R2 Wert ist ein Maß dafür, wie gut das Regressionsmodell auf Ihre Daten passt. Der höher die Nummer die besser das Modell machbar.

Schlussfolgerung

Ich hoffe, dieser Artikel hat Ihnen gezeigt, wie man den Standardfehler einer Regression in Excel All diese Verfahren sollten Sie lernen und auf Ihren Datensatz anwenden. Werfen Sie einen Blick in die Übungsmappe und testen Sie diese Fähigkeiten. Dank Ihrer wertvollen Unterstützung sind wir motiviert, weiterhin Tutorials wie dieses zu erstellen.

Bitte kontaktieren Sie uns, wenn Sie Fragen haben, oder hinterlassen Sie uns Ihre Kommentare im folgenden Abschnitt.

Wir, die Exzellent Team, sind immer ansprechbar für Ihre Fragen.

Bleiben Sie bei uns und lernen Sie weiter.