Utilizamos análisis de regresión cuando tenemos datos de dos variables de dos fuentes distintas y queremos construir una relación entre ellas. Análisis de regresión nos proporciona un modelo lineal que nos permite predecir los posibles resultados. Habrá algunas diferencias entre los valores predichos y los reales por razones obvias. Como resultado, nosotros calcular el error típico utilizando el modelo de regresión, que es el error medio entre los valores predichos y los reales. En este tutorial, le mostraremos cómo calcular el error estándar del análisis de regresión en Excel .

Descargar el cuaderno de prácticas

Descárgate este cuaderno de prácticas para ejercitarte mientras lees este artículo.

4 sencillos pasos para calcular el error estándar de una regresión en Excel

Suponga que tiene un conjunto de datos con un variable independiente ( X ) y un variable dependiente ( Y ) Como puedes ver, no tienen ninguna relación significativa. Pero queremos construir una. Como resultado, usaremos Análisis de regresión para crear una relación lineal entre las dos. Calcularemos el error típico entre las dos variables utilizando el análisis de regresión. En la segunda parte del artículo repasaremos algunos de los parámetros del modelo de regresión para ayudarte a interpretarlo.

Paso 1: Aplicar el comando de análisis de datos para crear un modelo de regresión

• En primer lugar, vaya a la página Datos y haga clic en Análisis de datos mando.

• Desde el Análisis de datos seleccione la opción Regresión opción.
• A continuación, haga clic en OK .

Paso 2: Insertar el rango de entrada y salida en el cuadro de regresión

• Para el Entrada Rango Y seleccione la gama C4:C13 con el encabezamiento.
• Haga clic en el botón Etiquetas casilla de verificación.

• Seleccione la gama B4:B13 para la Entrada X Rango .

• Para obtener el resultado en la ubicación preferida, seleccione cualquier celda ( B16 ) para el Gama de salida .
• Por último, haga clic en OK .

Más información: Cómo Calcular el Error Estándar de Proporción en Excel (con Pasos Fáciles)

Paso 3: Averiguar el error típico

• A partir del análisis de regresión, se puede obtener el valor del error típico ( 3156471 ).

Más información: Cómo encontrar el error estándar residual en Excel (2 métodos sencillos)

Paso 4: Trazar el gráfico del modelo de regresión

• En primer lugar, haga clic en el botón Inserte ficha.
• Desde el Gráficos seleccione el grupo Dispersión gráfico.

• Haga clic con el botón derecho del ratón en sobre uno de los puntos.
• En las opciones, seleccione Añadir línea de tendencia opción.

• Por lo tanto, su análisis de regresión se trazará como la imagen que se muestra a continuación.

• Para visualizar el análisis de regresión haga clic en el botón Mostrar ecuación en gráfico de la Formato Línea de tendencia.

• Como resultado, la ecuación ( y = 1,0844x + 107,21 ) del análisis de regresión aparecerá en el gráfico.

Notas:

Puede calcular la diferencia entre los valores previstos y los valores reales a partir de la ecuación del análisis de regresión.

Pasos:

• Escriba la fórmula para representar la ecuación del análisis de regresión.

• Por lo tanto, obtendrá el primer valor previsto ( 129.9824 ), que difiere del valor real ( 133 ).

• Utilice la Herramienta de autorrelleno para autocompletar la columna D .

• Para calcular el error, escriba la siguiente fórmula para restar.

• Por último, la columna de autorrelleno E para encontrar los valores de error.

Más información: Cómo calcular el error estándar de la pendiente de regresión en Excel

La interpretación del análisis de regresión en Excel

1. Error típico

De la ecuación del análisis de regresión se desprende que siempre existe una diferencia o error entre los valores previstos y los reales, por lo que debemos calcular la desviación media de las diferencias.

A error estándar representa el error medio entre el valor previsto y el valor real. Descubrimos que 8.3156471 como el error estándar en nuestro modelo de regresión de ejemplo. Indica que existe una diferencia entre los valores predichos y los reales, que podría ser mayor que el error estándar ( 15.7464 ) o inferior al error estándar ( 4.0048 Sin embargo, nuestro error medio será 8.3156471 que es el error estándar .

Como resultado, el objetivo del modelo es reducir el error estándar. El inferior el error típico, más preciso el modelo.

2. Coeficientes

El coeficiente de regresión evalúa las respuestas de valores desconocidos. En la ecuación de regresión ( y = 1,0844x + 107,21 ), 1.0844 es el coeficiente , x es la variable predictiva independiente, 107.21 es la constante, y y es el valor de respuesta para el x .

• A coeficiente positivo predice que cuanto mayor sea el coeficiente, mayor será la variable de respuesta. Indica una proporcional relación.
• A coeficiente negativo predice que cuanto mayor sea el coeficiente, menores serán los valores de respuesta. Indica una desproporcionado relación.

3. Valores P

En análisis de regresión, p-valores y los coeficientes cooperan para informarle de si las correlaciones de su modelo son estadísticamente relevantes y de cómo son esas relaciones. La función hipótesis nula que la variable independiente no tiene relación con la variable dependiente se comprueba mediante la p-valor No existe relación entre los cambios de la variable independiente y las variaciones de la variable dependiente si no hay correlación.

• Los datos de su muestra son suficientes para falsificar la hipótesis nula para toda la población si el p-valor para una variable es menos que su umbral de significación. Su evidencia apoya la noción de un correlación no nula A nivel de población, los cambios en la variable independiente están relacionados con los cambios en la variable dependiente.
• A p-valor más grande que el nivel de significación, en cualquier lado, sugiere que su muestra tiene prueba insuficiente para establecer que un correlación no nula existe.

Porque sus p-valores ( 5.787E-06 , 1.3E-06 ) son menos que el valor significativo ( 5.787E-06 ), el Variable independiente (X) y Interceptar son estadísticamente significativo como se ve en el ejemplo del resultado de la regresión.

4. Valores R-cuadrado

Para modelos de regresión lineal, R-cuadrado es un medición de la exhaustividad Esta relación muestra el porcentaje de variación en la variable dependiente que los factores independientes explican cuando se toman en conjunto. En una práctica 0-100 escala porcentual, R-cuadrado cuantifica la fuerza de la conexión entre su modelo y la variable dependiente.

En R2 es una medida de lo bien que el modelo de regresión se ajusta a los datos. El valor superior el número El mejor factible el modelo.

Conclusión

Espero que este artículo te haya servido de tutorial sobre cómo calcular el error típico de regresión en Excel Todos estos procedimientos deben aprenderse y aplicarse a su conjunto de datos. Eche un vistazo al cuaderno de ejercicios prácticos y ponga a prueba estos conocimientos. Nos motiva seguir haciendo tutoriales como éste gracias a su valioso apoyo.

Si tiene alguna pregunta, póngase en contacto con nosotros. También puede dejarnos sus comentarios en la sección de abajo.

Nosotros, los Exceldemy Team, siempre están atentos a sus consultas.

Quédate con nosotros y sigue aprendiendo.