Utilizamos a análise de regresión cando temos datos de dúas variables de dúas fontes diferentes e queremos establecer unha relación entre elas. A A análise de regresión ofrécenos un modelo lineal que nos permite predecir posibles resultados. Haberá algunhas diferenzas entre os valores previstos e os reais por razóns obvias. Como resultado, calculamos o erro estándar mediante o modelo de regresión, que é o erro medio entre os valores previstos e os reais. Neste tutorial, mostrarémosche como calcular o erro estándar da análise de regresión en Excel .

Descarga o libro de prácticas

Descarga este libro de prácticas para facer exercicio mentres estás lendo este artigo.

4 pasos sinxelos para calcular o erro estándar de regresión en Excel

Supoña que tes un conxunto de datos cunha variable independente ( X ) e unha variable dependente ( Y ) . Como podes ver, non teñen ningunha relación significativa. Pero queremos construír un. Como resultado, utilizaremos a Análise de regresión para crear unha relación lineal entre ambos. Calcularemos o erro estándar entre as dúas variables mediante a análise de regresión. Imos repasar algúns dos parámetros do modelo de regresión na segunda metade do artigo para axudarche a interpretalo.

Paso 1: Aplicar o comando de análise de datos aCrear un modelo de regresión

• En primeiro lugar, vai á pestana Datos e fai clic na Análise de datos comando.

• Na caixa de lista Análise de datos , seleccione o Opción de regresión .
• A continuación, faga clic en Aceptar .

Paso 2: Insira o intervalo de entrada e saída na caixa de regresión

• Para o Intervalo de entrada Y , seleccione o intervalo C4:C13 coa cabeceira.
• Fai clic na caixa de verificación Etiquetas .

• Seleccione o intervalo B4:B13 para o Intervalo X de entrada .

• Para obter o resultado na localización preferida, seleccione calquera cela ( B16 ) para o Intervalo de saída .
• Finalmente, fai clic en Aceptar .

Ler máis: Como calcular o erro estándar da proporción en Excel (con pasos sinxelos)

Paso 3: descubrir o erro estándar

• De a análise de regresión, pode obter o valor de o erro estándar ( 3156471 ).

Ler máis: Como para atopar o erro estándar residual en Excel (2 métodos sinxelos)

Paso 4: trazar o gráfico do modelo de regresión

• Primeiro, fai clic en Inserir pestana.
• No grupo Gráficos , seleccione o gráfico Dispersión .

• Prema co botón dereito do rato sobre un dospuntos.
• Desde as opcións, seleccione a opción Engadir liña de tendencia .

• Polo tanto, o seu A análise de regresión representarase como a imaxe que se mostra a continuación.

• Para mostrar o análise de regresión ecuación, faga clic na opción Mostrar ecuación no gráfico da Formato de liña de tendencia.

• Como resultado, a ecuación ( y = 1,0844x + 107,21 ) da análise de regresión aparecerá no gráfico.

Notas:

Podes calcular a diferenza entre os valores previstos e os reais valores da ecuación da análise de regresión.

Pasos:

• Escriba a fórmula para representar a ecuación da análise de regresión.

• Polo tanto, obterá o primeiro valor previsto ( 129,9824 ), que difire do valor real ( 133 ).

• Utilice o Ferramenta de enchemento automático para encher automaticamente a columna D .

• Para calcular o erro, escriba a seguinte fórmula para resta.

• Finalmente, enche automaticamente a columna E para atopar os valores de erro.

Ler máis: Como calcular o erro estándar da pendente de regresión en Excel

A interpretación da análise de regresión en Excel

1. Erro estándar

A partir da ecuación da análise de regresión podemos ver que sempre hai unha diferenza ou erro entre os valores previstos e os reais. Como resultado, debemos calcular a desviación media das diferenzas.

Un erro estándar representa o erro medio entre o valor previsto e o valor real. Descubrimos 8.3156471 como o erro estándar no noso modelo de regresión de exemplo. Indica que hai unha diferenza entre os valores previstos e reais, que pode ser maior que o erro estándar ( 15,7464 ) ou menor que o erro estándar ( 4.0048 ). Non obstante, o noso erro medio será 8,3156471 , que é o erro estándar .

Como resultado, o obxectivo do modelo é reducir o erro estándar. Canto menor o erro estándar, máis preciso o modelo.

2. Coeficientes

O coeficiente de regresión avalía o respostas de valores descoñecidos. Na ecuación de regresión ( y = 1,0844x + 107,21 ), 1,0844 é o coeficiente , x é a variable independente do preditor, 107.21 é a constante e y é o valor de resposta para o x .

• Un coeficiente positivo predí que canto maior sexa o coeficiente, maior será a respostavariable. Indica unha relación proporcional.
• Un coeficiente negativo predí que canto maior sexa o coeficiente, menores serán os valores de resposta. Indica unha relación desproporcionada.

3. Valores P

Na análise de regresión, p- os valores e os coeficientes cooperan para informarche se as correlacións do teu modelo son estatisticamente relevantes e como son esas relacións. A hipótese nula de que a variable independente non ten vínculo coa variable dependente compróbase usando o valor-p para cada variable independente. Non hai vínculo entre os cambios na variable independente e as variacións na variable dependente se non hai correlación.

• Os datos da mostra dan suficiente apoio para falsificar a hipótese nula para o poboación completa se o valor-p dunha variable é menor que o seu limiar de significación. A túa evidencia apoia a noción dunha correlación distinta de cero . A nivel poboacional, os cambios na variable independente están ligados aos cambios na variable dependente.
• Un valor p maior que o nivel de significación, a cada lado , suxire que a túa mostra ten probas insuficientes para establecer que existe unha correlación distinta de cero .

Porque os seus valores p ( 5.787E-06 , 1.3E-06 ) son menos que o valor significativo ( 5.787E-06 ), a variable independente (X) e Intercept son estatisticamente significativos , como se ve no exemplo de saída da regresión.

4. Valores R-cuadrados

Para modelos de regresión lineal, R-cadrado é unha medición de integridade . Esta razón mostra a porcentaxe de varianza na variable dependente que os factores independentes representan cando se toman en conxunto. Nunha práctica escala 0-100 por cento, R-squared cuantifica a forza da conexión entre o seu modelo e a variable dependente.

O valor R2 é unha medida do ben que o modelo de regresión se adapta aos teus datos. Canto maior o número , mellor será factible o modelo.

Conclusión

Espero que este artigo che dea unha idea tutorial sobre como calcular o erro estándar de regresión en Excel . Todos estes procedementos deben aprenderse e aplicarse ao seu conxunto de datos. Bótalle un ollo ao libro de prácticas e pon a proba estas habilidades. Estamos motivados para seguir facendo titoriais coma este debido ao teu valioso apoio.

Ponte en contacto connosco se tes algunha dúbida. Ademais, non dubides en deixar comentarios na sección a continuación.

Nós, o equipo Exceldemy , sempre respondemos ás túas consultas.

Queda connosco e segue aprendendo.