Mi az a lineáris regresszió?
A lineáris regresszió alapvetően egy statisztikai modellezési technika, amely egy függő változó és egy vagy több független változó közötti kapcsolat bemutatására szolgál. A prediktív elemzés egyik leggyakoribb típusa. Ez a fajta eloszlás egy vonalon képződik, ezért ezt lineáris regressziónak nevezzük. Ebben a cikkben az Excel lineáris regressziós elemzésének példáit vesszük fel.
Először a lineáris regresszióanalízis elvégzéséhez az alábbi lépésekkel hozzá kell adnunk az excel bővítményeket.
Kattintson a Fájl - Beállítások gombra (Ezzel megnyílik az Excel beállításai felugró ablak).
![](https://cdn.know-base.net/7292417/linear_regression_definition-_examples_how_to_interpret__2.png.webp)
Kattintson a Bővítmények elemre - Válassza ki az Excel-bővítményeket az Excelben a Kezelés legördülő menüből, majd kattintson a Tovább gombra.
![](https://cdn.know-base.net/7292417/linear_regression_definition-_examples_how_to_interpret__3.png.webp)
Ez megnyitja a Bővítmények felugró ablakot. Válassza az Analysis ToolPak elemet, majd kattintson az OK gombra.
![](https://cdn.know-base.net/7292417/linear_regression_definition-_examples_how_to_interpret__4.png.webp)
Az Adatelemzés bővítmény a Beszúrás fül alatt jelenik meg.
![](https://cdn.know-base.net/7292417/linear_regression_definition-_examples_how_to_interpret__5.png.webp)
Az alábbiakban értsük meg példákat a lineáris regressziós elemzésre az excelben.
Lineáris regresszió-analízis példák
1. példa
Tegyük fel, hogy havi értékesítésünk van, és marketingre költöttünk az elmúlt évre, és most meg kell jósolnunk a jövőbeni értékesítéseket a tavalyi értékesítések és a marketing ráfordítások alapján.
Hónap | Hirdető | Értékesítés |
Jan | 40937 | 502729 |
Február | 42376 | 507553 |
Márc | 43355 | 516885 |
Április | 44126 | 528347 |
Lehet | 45060 | 537298 |
Június | 49546 | 544066 |
Július | 56105 | 553664 |
Augusztus | 59322 | 563201 |
Szept | 59877 | 568657 |
Október | 60481 | 569384 |
November | 62356 | 573764 |
December | 63246 | 582746 |
Kattintson az Adatok elemzése elemre az Adatok lapon, és ezzel megnyílik az Adatelemzés felugró ablak.
![](https://cdn.know-base.net/7292417/linear_regression_definition-_examples_how_to_interpret__5.png.webp)
Most válassza a regressziót a listából, majd kattintson az OK gombra.
![](https://cdn.know-base.net/7292417/linear_regression_definition-_examples_how_to_interpret__6.png.webp)
Megnyílik a regressziós pop-up.
![](https://cdn.know-base.net/7292417/linear_regression_definition-_examples_how_to_interpret__7.png.webp)
Válassza az Értékesítési tartomány $ C $ 1: $ C $ 13 értéket az Y-tengely mezőben, mivel ez a függő változó, és a $ B $ 1: $ B $ 14 az X-tengelyben, mivel a hirdetési kiadás a független változó.
![](https://cdn.know-base.net/7292417/linear_regression_definition-_examples_how_to_interpret__8.png.webp)
Jelölje be a Címkék mezőben a jelölőnégyzetet, ha fejléceket választott az adatokban, máskülönben ez adja a hibát.
![](https://cdn.know-base.net/7292417/linear_regression_definition-_examples_how_to_interpret__9.png.webp)
Válassza a Kimeneti tartomány lehetőséget, ha meg szeretné kapni az értéket a munkalap adott tartományán, vagy válassza az Új munkalap réteg: lehetőséget, és ez új munkalapot ad hozzá, és megadja az eredményt.
![](https://cdn.know-base.net/7292417/linear_regression_definition-_examples_how_to_interpret__10.png.webp)
Ezután jelölje be a Maradékok négyzetet, és kattintson az OK gombra.
![](https://cdn.know-base.net/7292417/linear_regression_definition-_examples_how_to_interpret__11.png.webp)
Ez munkalapokat ad hozzá, és a következő eredményt adja.
![](https://cdn.know-base.net/7292417/linear_regression_definition-_examples_how_to_interpret__12.png.webp)
Értsük meg a kimenetet.
Összefoglaló kimenet
R többszörös: Ez a korrelációs együtthatót jelenti. Az 1 érték pozitív kapcsolatot mutat, a 0 pedig nem mutat kapcsolatot.
R négyzet: az R négyzet a meghatározási együtthatót jelenti. Ez megmondja a regressziós egyenesre eső pontok százalékos arányát. 0,49 azt jelenti, hogy az értékek 49% -a illik a modellbe
Korrigált R négyzet : Ez a beállított R négyzet, amely akkor szükséges, ha egynél több X változó van.
Standard hiba: Ez a hiba szórásának becsült értékét jelenti. Ez a pontosság a regressziós együttható mérésében.
Megfigyelések: Ez a megfigyelések száma, amelyet egy mintában vett.
ANOVA - Df: A szabadság fokai
SS: Négyzetek összege.
MS: két tagállamunk van
- A regresszió MS regresszió SS / regresszió Df.
- A maradék MS az átlagos négyzetes hiba (maradék SS / maradék Df).
F: F teszt a nullhipotézishez.
F szignifikancia: A szignifikanciához kapcsolódó P-értékek
Együttható: Az együttható a legkisebb négyzetek becslését adja meg.
T statisztika: T statisztika nullhipotézishez képest az alternatív hipotézishez.
P-érték: Ez a hipotézis-teszt p-értéke.
Alsó 95% és felső 95%: Ezek a konfidencia intervallum alsó és felső határa
Maradékkimenet: 12 megfigyelésünk van az adatok alapján. 2 nd oszlop mutatja előrejelzett értékesítési és 3 rd oszlop maradványok. A maradványok alapvetően a várható eladások különbségét jelentik a ténylegesnél.
2. példa
Válassza ki a várható értékesítés és marketing oszlopot
![](https://cdn.know-base.net/7292417/linear_regression_definition-_examples_how_to_interpret__13.png.webp)
Menjen a diagramcsoportra a beszúrás fül alatt. Válassza a scatter chart ikont
![](https://cdn.know-base.net/7292417/linear_regression_definition-_examples_how_to_interpret__14.png.webp)
Ez beilleszti a szórási ábrát az excelbe. Lásd az alábbi képet
![](https://cdn.know-base.net/7292417/linear_regression_definition-_examples_how_to_interpret__15.png.webp)
Kattintson a jobb gombbal bármelyik pontra, majd válassza a Trendline hozzáadása az excelben lehetőséget. Ez hozzáad egy trendvonalat a diagramjához.
![](https://cdn.know-base.net/7292417/linear_regression_definition-_examples_how_to_interpret__16.png.webp)
![](https://cdn.know-base.net/7292417/linear_regression_definition-_examples_how_to_interpret__17.png.webp)
- A trendvonalat úgy formázhatja, hogy jobb egérgombbal kattint a trendvonal bármely pontjára, majd kiválasztja a trendvonal formátumát.
- További javításokat végezhet a diagramon. azaz a trendvonal formázása, a szín és a cím megváltoztatása stb
- A képletet a grafikonon is megjelenítheti, ha bejelöli a diagram Kijelző képletét, és megjeleníti az R négyzet értékét a diagramon.
Néhány további példa a lineáris regressziós elemzésre:
- Az eső alapján eladott esernyő jóslata a környéken történt.
- Az eladott AC jóslata a nyári hőmérséklet alapján.
- A vizsgaidény során a Stationary, a Exam Guide értékesítése növekedett.
- Az értékesítés előrejelzése, amikor a reklámozás megtörtént a High TRP sorozatok alapján, ahol hirdetést hajtanak végre, a márka nagykövete népszerűsége és a reklám közzétételének helyén lévő lábnyomok.
- Egy ház értékesítése a helyszín, a terület és az ár alapján.
3. példa
Tegyük fel, hogy kilenc hallgatónk van az IQ szintjével és a teszten elért pontszámával.
Diák | Teszt eredmény | IQ |
Ram | 100 | 145 |
Shyam | 97 | 140 |
Kul | 93 | 130 |
Kappu | 91. | 125 |
Raju | 89 | 115 |
Vishal | 86 | 110 |
Vivek | 82 | 100 |
Vinay | 78 | 95 |
Kumar | 75 | 90 |
1. lépés: Először derítse ki a függő és független változókat. Itt a teszt pontszáma a függő változó, és az IQ a független változó, mivel a teszt pontszáma változik, amikor az IQ változik.
2. lépés: Lépjen az Adatok fülre - Kattintson az Adatelemzés - Regresszió kiválasztása elemre - kattintson az OK gombra.
![](https://cdn.know-base.net/7292417/linear_regression_definition-_examples_how_to_interpret__6.png.webp)
Ez megnyitja az Ön számára a Regresszió ablakot.
![](https://cdn.know-base.net/7292417/linear_regression_definition-_examples_how_to_interpret__7.png.webp)
3. lépés. Bemeneti teszt pontszámtartomány az Y bemeneti tartomány mezőben és az IQ az Input X tartomány mezőben. (Jelölje be a Címkék jelölőnégyzetet, ha fejlécei vannak az adattartományban. Válassza ki a kimeneti opciókat, majd ellenőrizze a kívánt maradékot. Kattintson az OK gombra.
![](https://cdn.know-base.net/7292417/linear_regression_definition-_examples_how_to_interpret__18.png.webp)
Megkapja az alábbi képen látható összefoglaló kimenetet.
![](https://cdn.know-base.net/7292417/linear_regression_definition-_examples_how_to_interpret__19.png.webp)
4. lépés: A regresszió elemzése összefoglaló kimenet alapján
Összefoglaló kimenet
Többszörös R: Itt a korrelációs együttható 0,99, ami nagyon közel áll az 1-hez, ami azt jelenti, hogy a lineáris kapcsolat nagyon pozitív.
R négyzet: az R négyzet értéke 0,983, ami azt jelenti, hogy az értékek 98,3% -a illeszkedik a modellhez.
P-érték: Itt a P-érték 1,86881E-07, ami nagyon alacsonyabb, mint 0,1, ami azt jelenti, hogy az IQ-nak szignifikáns prediktív értékei vannak.
Lásd az alábbi táblázatot.
![](https://cdn.know-base.net/7292417/linear_regression_definition-_examples_how_to_interpret__20.png.webp)
Láthatja, hogy szinte az összes pont inline vagy egy közeli trendvonal alá esik.
4. példa
Meg kell jósolni az AC értékesítését az eladások és a hőmérséklet alapján egy másik hónapra.
Hónap | Temp | Értékesítés |
Jan | 25 | 38893 |
Február | 28. | 42254 |
Márc | 31 | 42845 |
Április | 33 | 47917 |
Lehet | 37 | 51243 |
Június | 40 | 69588 |
Július | 38 | 56570 |
Augusztus | 37 | 50000 |
A regressziós eredmény eléréséhez kövesse az alábbi lépéseket.
1. lépés: Először derítse ki a függő és független változókat. Itt az Értékesítés a függő változó, a Hőmérséklet pedig független változó, mivel az Értékesítés változik, miközben a hőmérséklet változik.
2. lépés: Lépjen az Adatok fülre - Kattintson az Adatelemzés - Regresszió kiválasztása elemre - kattintson az OK gombra.
![](https://cdn.know-base.net/7292417/linear_regression_definition-_examples_how_to_interpret__6.png.webp)
Ez megnyitja az Ön számára a Regresszió ablakot.
![](https://cdn.know-base.net/7292417/linear_regression_definition-_examples_how_to_interpret__7.png.webp)
3. lépés: Bemeneti értékesítés az Y bemeneti tartomány mezőben és a hőmérséklet az X bemeneti tartomány mezőben. (Jelölje be a Címkék jelölőnégyzetet, ha fejlécei vannak az adattartományban. Válassza ki a kimeneti opciókat, majd ellenőrizze a kívánt maradékot. Kattintson az OK gombra.
![](https://cdn.know-base.net/7292417/linear_regression_definition-_examples_how_to_interpret__21.png.webp)
Ez összefoglaló kimenetet ad az alábbiak szerint.
![](https://cdn.know-base.net/7292417/linear_regression_definition-_examples_how_to_interpret__22.png.webp)
4. lépés: Elemezze az eredményt.
Többszörös R: Itt a korrelációs együttható 0,877, ami közel 1-hez, ami azt jelenti, hogy a lineáris kapcsolat pozitív.
R négyzet: az R négyzet értéke 0,770, ami azt jelenti, hogy az értékek 77% -a illeszkedik a modellhez
P-érték: Itt a P-érték 1,86881E-07, ami nagyon alacsonyabb, mint 0,1, ami azt jelenti, hogy az IQ-nak szignifikáns prediktív értékei vannak.
5. példa
Most végezzünk regressziós elemzést több független változó számára:
Meg kell jósolnia egy jövő évre induló mobil eladását. Megvan az ára és azoknak az országoknak a száma, amelyek befolyásolják a mobilok értékesítését.
Mobil verzió | Értékesítés | Mennyiség | Népesség |
MINKET | 63860 | 858 | 823 |
Egyesült Királyság | 61841 | 877 | 660 |
KZ | 60876 | 873 | 631 |
CH | 58188 | 726 | 842 |
HN | 52728 | 864 | 573 |
AU | 52388 | 680 | 809 |
NZ | 51075 | 728 | 661 |
RU | 49019 | 689 | 778 |
A regressziós eredmény eléréséhez kövesse az alábbi lépéseket.
1. lépés: Először derítse ki a függő és független változókat. Itt az értékesítés függ a változótól, a mennyiségtől és a népességtől. Mindkettő független változó, mivel az értékesítés az ország mennyiségétől és népességétől függően változik.
2. lépés: Menjen az Adatok fülre - Kattintson az Adatelemzés - Regresszió kiválasztása elemre - kattintson az OK gombra.
![](https://cdn.know-base.net/7292417/linear_regression_definition-_examples_how_to_interpret__6.png.webp)
Ez megnyitja az Ön számára a Regresszió ablakot.
![](https://cdn.know-base.net/7292417/linear_regression_definition-_examples_how_to_interpret__7.png.webp)
3. lépés: Adja meg az értékesítést az Y bemeneti tartomány mezőben, és válassza ki a mennyiséget és a sokaságot az X bemenet tartomány mezőben. (Jelölje be a Címkék jelölőnégyzetet, ha fejlécei vannak az adattartományban. Válassza ki a kimeneti opciókat, majd ellenőrizze a kívánt maradékot. Kattintson az OK gombra.
![](https://cdn.know-base.net/7292417/linear_regression_definition-_examples_how_to_interpret__23.png.webp)
Most futtassa a regressziót az Adatok lap alatti adatelemzés segítségével. Ez az alábbi eredményt adja.
Összefoglaló kimenet
Többszörös R: Itt a korrelációs együttható 0,93, ami nagyon közel van az 1-hez, ami azt jelenti, hogy a lineáris kapcsolat nagyon pozitív.
R négyzet: az R négyzet értéke 0,866, ami azt jelenti, hogy az értékek 86,7% -a illeszkedik a modellhez.
F szignifikancia: Az F szignifikancia kisebb, mint 1, ami azt jelenti, hogy a regressziós egyenletnek szignifikáns prediktív értéke van.
P-érték : Ha megnézzük a mennyiség és a népesség P-értékét, láthatjuk, hogy az értékek kisebbek, mint 1, ami azt jelenti, hogy a mennyiség és a populáció jelentős prediktív értékkel bír. A kevesebb P érték azt jelenti, hogy egy változónak szignifikánsabb prediktív értéke van.
Mindazonáltal mind a mennyiségnek, mind a populációnak jelentős prediktív értéke van, de ha megnézzük a mennyiség és a populáció P-értékét, akkor láthatja, hogy a mennyiség kisebb P-értékkel rendelkezik az excelben, mint a Population. Ez azt jelenti, hogy a mennyiség szignifikánsabb prediktív értékkel rendelkezik, mint a Népesség.
Dolgok, amikre emlékezni kell
- Mindig ellenőrizze a Függő és Független változókat, amikor bármilyen adatot választ.
- A lineáris regresszióanalízis a változók átlaga közötti kapcsolatot veszi figyelembe.
- Ez csak a lineáris változók közötti kapcsolatot modellezi
- Néha ez nem a legalkalmasabb a valós problémákra. Például: (Életkor és a bérek). Legtöbbször a bérek nőnek, mivel az életkor növekszik. Viszont nyugdíjazása után az életkor növekszik, a bérek viszont csökkennek.