Nous utilisons analyse de régression lorsque nous disposons de données de deux variables provenant de deux sources différentes et que nous voulons établir une relation entre elles. Analyse de régression nous fournit un modèle linéaire qui nous permet de prédire les résultats possibles. Il y aura des différences entre les valeurs prédites et les valeurs réelles pour des raisons évidentes. Par conséquent, nous calculer l'erreur standard en utilisant le modèle de régression, qui est l'erreur moyenne entre les valeurs prédites et les valeurs réelles. Dans ce tutoriel, nous allons vous montrer comment calculer l'erreur standard de l'analyse de régression dans Excel .

Télécharger le cahier d'exercices

Téléchargez ce cahier d'exercices pour vous entraîner pendant que vous lisez cet article.

4 étapes simples pour calculer l'erreur standard d'une régression dans Excel

Supposons que vous ayez un ensemble de données avec un variable indépendante ( X ) et un la variable dépendante ( Y ) Comme vous pouvez le voir, ils n'ont pas de relation significative. Mais nous voulons en construire une. Par conséquent, nous allons utiliser Analyse de régression pour créer une relation linéaire entre les deux. Nous calculerons l'erreur standard entre les deux variables à l'aide de l'analyse de régression. Nous examinerons certains des paramètres du modèle de régression dans la deuxième partie de l'article pour vous aider à l'interpréter.

Étape 1 : Appliquer la commande d'analyse des données pour créer un modèle de régression

• Tout d'abord, rendez-vous sur le site Données et cliquez sur l'onglet Analyse des données commandement.

• De la Analyse des données sélectionnez la zone de liste Régression option.
• Ensuite, cliquez sur OK .

Étape 2 : Insérer la plage d'entrée et de sortie dans la boîte de régression

• Pour le Plage d'entrée Y sélectionnez la gamme C4:C13 avec l'en-tête.
• Cliquez sur le Étiquettes la case à cocher.

• Sélectionnez la gamme B4:B13 pour le Plage d'entrée X .

• Pour obtenir le résultat à l'endroit souhaité, sélectionnez n'importe quelle cellule ( B16 ) pour le Gamme de sortie .
• Enfin, cliquez sur OK .

Lire la suite : Comment calculer l'erreur standard d'une proportion dans Excel (avec des étapes faciles)

Étape 3 : Déterminer l'erreur standard

• A partir de l'analyse de régression, vous pouvez obtenir la valeur de l'erreur standard ( 3156471 ).

Lire la suite : Comment trouver l'erreur standard résiduelle dans Excel (2 méthodes simples)

Étape 4 : Tracer le graphique du modèle de régression

• Tout d'abord, cliquez sur le Insérer onglet.
• De la Graphiques sélectionnez le groupe Diffuser graphique.

• Cliquez à droite sur sur l'un des points.
• Dans les options, sélectionnez le Ajouter une ligne de tendance option.

• Par conséquent, votre analyse de régression Le graphique sera tracé comme l'image ci-dessous.

• Pour afficher le analyse de régression cliquez sur l'équation Afficher l'équation sur le graphique de l'option Format Trendline.

• Par conséquent, l'équation ( y = 1,0844x + 107,21 ) de l'analyse de régression apparaîtront dans le graphique.

Notes :

Vous pouvez calculer la différence entre les valeurs prédites et les valeurs réelles à partir de l'équation de l'analyse de régression.

Des pas :

• Tapez la formule pour représenter l'équation de l'analyse de régression.

• Par conséquent, vous obtiendrez la première valeur prédite ( 129.9824 ), qui diffère de la valeur réelle ( 133 ).

• Utilisez le Outil AutoFill pour remplir automatiquement la colonne D .

• Pour calculer l'erreur, tapez la formule suivante pour soustraire.

• Enfin, le remplissage automatique de la colonne E pour trouver les valeurs d'erreur.

Lire la suite : Comment calculer l'erreur standard de la pente de régression en Excel ?

L'interprétation de l'analyse de régression dans Excel

1. erreur standard

L'équation de l'analyse de régression montre qu'il existe toujours une différence ou une erreur entre les valeurs prédites et les valeurs réelles. Par conséquent, nous devons calculer l'écart moyen des différences.

A erreur standard représente l'erreur moyenne entre la valeur prédite et la valeur réelle. Nous avons découvert que 8.3156471 comme le erreur standard dans notre exemple de modèle de régression, ce qui indique qu'il existe une différence entre les valeurs prédites et les valeurs réelles, qui peut être supérieure à l'écart-type. erreur standard ( 15.7464 ) ou moins que le erreur standard ( 4.0048 Cependant, notre erreur moyenne sera 8.3156471 qui est le erreur standard .

Par conséquent, l'objectif du modèle est de réduire l'erreur standard. L'objectif est de réduire l'erreur standard. inférieur l'erreur standard, plus précis le modèle.

2. les coefficients

Le coefficient de régression évalue les réponses des valeurs inconnues. Dans l'équation de régression ( y = 1,0844x + 107,21 ), 1.0844 est le coefficient , x est la variable indépendante prédictive, 107.21 est la constante, et y est la valeur de réponse pour le x .

• A coefficient positif prédit que plus le coefficient est élevé, plus la variable de réponse est élevée. Il indique une proportionnel relation.
• A coefficient négatif prédit que plus le coefficient est élevé, plus les valeurs de réponse sont faibles. Il indique une disproportionné relation.

3. valeurs P

Dans l'analyse de régression, Valeurs p et les coefficients coopèrent pour vous indiquer si les corrélations dans votre modèle sont statistiquement pertinentes et à quoi ressemblent ces relations. La fonction hypothèse nulle que la variable indépendante n'a pas de lien avec la variable dépendante est testé en utilisant le p-value pour chaque variable indépendante. S'il n'y a pas de corrélation, il n'y a pas de lien entre les variations de la variable indépendante et celles de la variable dépendante.

• Les données de votre échantillon sont suffisantes pour falsifier l'hypothèse nulle pour l'ensemble de la population si la p-value pour une variable est moins que votre seuil de signification. Votre preuve soutient la notion d'une corrélation non nulle Au niveau de la population, les changements de la variable indépendante sont liés aux changements de la variable dépendante.
• A p-value plus grand que le niveau de signification, d'un côté ou de l'autre, suggère que votre échantillon a preuve insuffisante pour établir qu'un corrélation non nulle existe.

Parce que leur Valeurs p ( 5.787E-06 , 1.3E-06 ) sont moins que le valeur significative ( 5.787E-06 ), le Variable indépendante (X) et Intercepter sont statistiquement significatif comme on le voit dans l'exemple de sortie de régression.

4. valeurs de R-carré

Pour les modèles de régression linéaire, R-carré est un mesure de l'exhaustivité Ce rapport montre que pourcentage de la variance de la variable dépendante que les facteurs indépendants représentent lorsqu'ils sont pris ensemble. 0-100 échelle de pourcentage, R-carré quantifie le force de la connexion entre votre modèle et la variable dépendante.

Le site R2 est une mesure de la qualité de l'ajustement du modèle de régression à vos données. plus haut le site numéro le meilleur réalisable le modèle.

Conclusion

J'espère que cet article vous a donné un tutoriel sur la façon de calculer l'erreur standard de la régression en Excel Toutes ces procédures doivent être apprises et appliquées à votre ensemble de données. Jetez un coup d'œil au cahier d'exercices et mettez ces compétences à l'épreuve. Nous sommes motivés pour continuer à créer des tutoriels comme celui-ci grâce à votre précieux soutien.

N'hésitez pas à nous contacter si vous avez des questions ou à laisser vos commentaires dans la section ci-dessous.

Nous, les Exceldemy sont toujours à l'écoute de vos demandes.

Restez avec nous et continuez à apprendre.