Mēs izmantojam regresijas analīze ja mums ir dati par diviem mainīgajiem no diviem dažādiem avotiem un vēlamies izveidot sakarību starp tiem. Regresijas analīze sniedz mums lineāru modeli, kas ļauj prognozēt iespējamos rezultātus. Acīmredzamu iemeslu dēļ starp prognozētajām un faktiskajām vērtībām būs zināmas atšķirības. Rezultātā, mēs aprēķina standarta kļūdu izmantojot regresijas modeli, kas ir vidējā kļūda starp prognozētajām un faktiskajām vērtībām. Šajā pamācībā mēs parādīsim, kā aprēķināt regresijas analīzes standartkļūdu, izmantojot sk. Excel .

Lejupielādēt Practice Workbook

Lejupielādējiet šo prakses darba burtnīcu, lai vingrinātos, kamēr lasāt šo rakstu.

4 vienkārši soļi regresijas standartkļūdas aprēķināšanai programmā Excel

Pieņemsim, ka jums ir datu kopa ar neatkarīgais mainīgais ( X ) un atkarīgais mainīgais lielums ( Y ) . Kā redzat, tām nav nozīmīgas saistības. Taču mēs vēlamies izveidot šādu saistību. Tāpēc mēs izmantosim Regresijas analīze lai izveidotu lineāru sakarību starp abiem mainīgajiem. Izmantojot regresijas analīzi, aprēķināsim standarta kļūdu starp abiem mainīgajiem. Raksta otrajā daļā aplūkosim dažus regresijas modeļa parametrus, lai palīdzētu to interpretēt.

1. solis: datu analīzes komandas izmantošana regresijas modeļa izveidei

• Vispirms dodieties uz Dati un noklikšķiniet uz cilnes Datu analīze komanda.

• No Datu analīze saraksta lodziņā atlasiet Regresija iespēja.
• Pēc tam noklikšķiniet uz LABI .

2. solis: Ievietojiet ievades un izejas diapazonu regresijas lodziņā

• Par Ieejas Y diapazons , izvēlieties diapazonu C4:C13 ar galveni.
• Noklikšķiniet uz Etiķetes izvēles rūtiņu.

• Izvēlieties diapazonu B4:B13 par Ieejas X diapazons .

• Lai iegūtu rezultātu vēlamajā atrašanās vietā, atlasiet jebkuru šūnu ( B16 ) attiecībā uz Izvades diapazons .
• Visbeidzot noklikšķiniet uz LABI .

Lasīt vairāk: Kā aprēķināt proporcijas standartkļūdu programmā Excel (ar vienkāršiem soļiem)

3. solis: noskaidrojiet standarta kļūdu

• No regresijas analīzes var iegūt standarta kļūdas vērtību ( 3156471 ).

Lasīt vairāk: Kā atrast atlikušo standarta kļūdu programmā Excel (2 vienkāršas metodes)

4. solis: uzzīmējiet regresijas modeļa diagrammu

• Vispirms noklikšķiniet uz Ievietot cilne.
• No Diagrammas grupu, atlasiet Izkliedēt diagramma.

• Ar peles labo pogu noklikšķiniet uz virs viena no punktiem.
• No iespējām izvēlieties Pievienot tendenču līniju iespēja.

• Tāpēc jūsu regresijas analīze diagramma tiks attēlota kā attēlā zemāk.

• Lai parādītu regresijas analīze vienādojumu, noklikšķiniet uz Ekrāna vienādojums diagrammā opcija no Formāts Trendline.

• Rezultātā vienādojums ( y = 1,0844x + 107,21 ) regresijas analīzes rezultāti parādīsies diagrammā.

Piezīmes:

No regresijas analīzes vienādojuma var aprēķināt starpību starp prognozētajām un faktiskajām vērtībām.

Soļi:

• Ierakstiet formulu, lai attēlotu regresijas analīzes vienādojumu.

• Tādējādi tiks iegūta pirmā prognozētā vērtība ( 129.9824 ), kas atšķiras no faktiskās vērtības ( 133 ).

• Izmantojiet Automātiskās aizpildīšanas rīks lai automātiski aizpildītu kolonnu D .

• Lai aprēķinātu kļūdu, atņemšanai ievadiet šādu formulu.

• Visbeidzot, automātiski aizpildiet kolonnu E lai atrastu kļūdu vērtības.

Lasīt vairāk: Kā aprēķināt regresijas slīpuma standarta kļūdu programmā Excel

Regresijas analīzes interpretācija programmā Excel

1. Standarta kļūda

No regresijas analīzes vienādojuma redzam, ka starp prognozētajām un faktiskajām vērtībām vienmēr ir starpība jeb kļūda. Rezultātā mums jāaprēķina starpību vidējā novirze.

A standarta kļūda ir vidējā kļūda starp prognozēto vērtību un faktisko vērtību. Mēs atklājām, ka 8.3156471 kā standarta kļūda mūsu regresijas modeļa piemērā. Tas norāda, ka starp prognozētajām un faktiskajām vērtībām ir starpība, kas varētu būt lielāka nekā prognozētā vērtība. standarta kļūda ( 15.7464 ) vai mazāks par standarta kļūda ( 4.0048 ). Tomēr mūsu vidējā kļūda būs 8.3156471 , kas ir standarta kļūda .

Tādējādi modeļa mērķis ir samazināt standarta kļūdu. apakšējā standartkļūda, jo vairāk precīzs modeli.

2. Koeficienti

Regresijas koeficients novērtē nezināmo vērtību atbildes reakcijas. Regresijas vienādojumā ( y = 1,0844x + 107,21 ), 1.0844 ir koeficients , x ir prognozējošais neatkarīgais mainīgais, 107.21 ir konstante, un y ir atbildes vērtība x .

• A pozitīvs koeficients paredz, ka, jo augstāks koeficients, jo augstāks atbildes mainīgais. Tas norāda uz to, ka proporcionāli attiecības.
• A negatīvs koeficients paredz, ka, jo augstāks koeficients, jo zemākas atbildes vērtības. Tas norāda uz to, ka disproporcionāls attiecības.

3. P-vērtības

Regresijas analīzē, p-vērtības un koeficienti sadarbojas, lai jūs informētu, vai korelācijas jūsu modelī ir statistiski nozīmīgas un kādas ir šīs sakarības. nulles hipotēze ka neatkarīgajam mainīgajam nav saistības ar atkarīgo mainīgo, tiek pārbaudīts, izmantojot p-vērtība Ja nav korelācijas, tad starp neatkarīgā mainīgā lieluma izmaiņām un atkarīgā mainīgā lieluma izmaiņām nav saistības.

• Jūsu parauga dati sniedz pietiekamu apstiprinājumu tam, ka viltot nulles hipotēzi attiecībā uz visu populāciju, ja p-vērtība mainīgajam lielumam ir mazāk nekā jūsu nozīmīguma slieksnis. Jūsu pierādījumi atbalsta jēdzienu par nenulles korelācija Populācijas līmenī neatkarīgā mainīgā lieluma izmaiņas ir saistītas ar atkarīgā mainīgā lieluma izmaiņām.
• A p-vērtība lielāks nekā nozīmīguma līmenis, no abām pusēm, liecina, ka jūsu izlasē ir nepietiekams pierādījums lai noteiktu, ka nenulles korelācija pastāv.

Jo viņu p-vērtības ( 5.787E-06 , 1.3E-06 ) ir mazāk nekā nozīmīga vērtība ( 5.787E-06 ). Neatkarīgais mainīgais (X) un Pārtveršana ir statistiski nozīmīgi , kā redzams regresijas rezultātu piemērā.

4. R-kvadrāta vērtības

Lineārās regresijas modeļiem, R-kvadrāts ir pilnīguma mērījumi Šī attiecība parāda dispersijas procentuālā daļa atkarīgajā mainīgajā lielumā, ko kopā veido neatkarīgie faktori. Praktiskā veidā 0-100 procentu skala, R-kvadrāts kvantitatīvi nosaka izturība saikni starp jūsu modeli un atkarīgo mainīgo.

Portāls R2 vērtība ir rādītājs, cik labi regresijas modelis atbilst jūsu datiem. augstāk . numurs , un labāk īstenojams modelis.

Secinājums

Es ceru, ka šis raksts ir sniedzis jums pamācību par to, kā aprēķināt regresijas standartkļūdu. Excel . Visas šīs procedūras ir jāapgūst un jāpielieto jūsu datu kopai. Apskatiet praktisko darbgrāmatu un pārbaudiet šīs prasmes. Jūsu vērtīgā atbalsta dēļ mēs esam motivēti turpināt veidot šādas pamācības.

Lūdzu, sazinieties ar mums, ja jums ir kādi jautājumi. Tāpat varat atstāt komentārus zemāk esošajā sadaļā.

Mēs, mēs. Exceldemy komanda vienmēr atsaucīgi atbild uz jūsu jautājumiem.

Palieciet kopā ar mums un turpiniet mācīties.