Useita lineaarinen regressio on menetelmä, voimme ymmärtää, että suhde kahden tai useamman selittävän muuttujien ja vastemuuttujan.
Tämä opetusohjelma selittää, miten Excelissä suoritetaan useita lineaarisia regressioita.
Huom: Jos sinulla on vain yksi selittävä muuttuja, sinun pitäisi sen sijaan suorittaa yksinkertainen lineaarinen regressio.,
Esimerkki: Useita Lineaarinen Regressio Excel
Oletetaan, että haluamme tietää, jos tuntimääriä opiskelu ja määrä prep tentit otettu vaikuttaa pisteet, että opiskelija saa tietyn college pääsykoe.
tutkia tätä suhdetta, voimme suorittaa useita lineaarinen regressio käyttäen tuntia tutkittu ja prep tentit otetaan selittäviä muuttujia ja tentti pisteet kuin vastemuuttuja.
Suorita seuraavat vaiheet Excel suorittaa useita lineaarinen regressio.
Vaihe 1: Anna tiedot.,
Syötä seuraavat tiedot varten määrä tuntia tutkittu, prep tentit otettu, ja tentti pisteet sai 20 opiskelijaa:
Vaihe 2: Suorita useita lineaarinen regressio.
ylänauhaa pitkin Excelissä, Siirry Data-välilehteen ja klikkaa data-analyysiä. Jos et näe tätä vaihtoehtoa, sinun täytyy ensin asentaa ilmainen Analysis ToolPak.
Kun klikkaat Data-Analyysi, uusi ikkuna tulee pop up. Valitse regressio ja valitse OK.,
Input Y Range, täytä taulukon arvot vastemuuttuja. Input X-alueen osalta täytetään kahden selittävän muuttujan arvoryhmä. Tarkista laatikko vieressä tarroja niin Excel tietää, että sisällytimme muuttujan nimet input-alueet. Valitse lähtöalueella solu, jossa haluat regression tuotoksen näkyvän. Valitse sitten OK.
seuraava tuotos tulee automaattisesti näkyviin:
Vaihe 3: tulos Tulkitaan.,
tässä tulkitaan lähdön oleellisimmat numerot:
R neliö: 0,734. Tätä kutsutaan määrityskertoimeksi. Se on vastemuuttujan varianssin osuus, joka voidaan selittää selittävillä muuttujilla. Tässä esimerkissä 73,4 prosenttia vaihtelusta tentti tulokset voidaan selittää monta tuntia, tutkinut ja määrä prep tentit ottaa.
keskivirhe: 5.366. Tämä on keskimääräinen etäisyys, että havaitut arvot putoavat regressiolinjalle. Tässä esimerkissä havaitut arvot laskevat keskimäärin 5.,366 yksikköä regressiolinjasta.
F: 23,46. Tämä on yleinen F tilastotieto regressiomallin, joka lasketaan regressio MS / jäljellä oleva NEITI
Merkitys F: 0.0000. Tämä on kokonaisf-tilastoon liittyvä p-arvo. Se kertoo, onko regressiomalli kokonaisuutena tilastollisesti merkitsevä vai ei. Toisin sanoen, se kertoo, jos kaksi selittävät muuttujat yhdistettynä on tilastollisesti merkitsevä assosiaatio vastemuuttuja. Tällöin p-arvo on alle 0.,05, mikä osoittaa, että tutkittavat selittävät muuttujat tunnit ja prep-kokeet yhdessä ovat tilastollisesti merkitsevä yhteys tentti pisteet.
p-arvot. Yksittäiset p-arvot kertovat, onko jokainen selittävä muuttuja tilastollisesti merkitsevä vai ei. Voimme nähdä, että tuntia tutkittu on tilastollisesti merkitsevä (p = 0.00), kun prep tentit otettu (p = 0.52) ei ole tilastollisesti signifciant at α = 0.05. Koska Prep kokeet tehty ei ole tilastollisesti merkittävä, saatamme päätyä poistamaan sen mallista.,
Kertoimet: kertoimet kunkin selittävän muuttujan kerro meille, keskimääräinen odotettu muutos vastemuuttuja, olettaen, että muut selittävä muuttuja pysyy vakiona. Esimerkiksi jokainen ylimääräinen tunti vietti opiskelu, keskimääräinen tentti pisteet odotetaan kasvavan 5.56, olettaen, että prep tentit ottanut pysyy vakiona.
Tässä on toinen tapa miettiä tätä: Jos opiskelija A opiskelija B sekä ottaa sama määrä prep tentit, mutta opiskelija On tutkimukset yhden tunnin enemmän, niin opiskelija ei ole odotettavissa ansaita pisteet, joka on 5.56 prosenttiyksikköä korkeampi kuin opiskelija B.,
tulkitsemme kerroin siepata tarkoittaa, että odotettavissa tentti pisteet opiskelija, joka opiskelee nolla tuntia ja kestää nolla prep tentit on 67.67.
Estimoitu regressioyhtälö: Voimme käyttää kertoimet alkaen lähtö malli luoda seuraavat estimoitu regressioyhtälö:
tentti pisteet = 67.67 + 5.56*(tuntia) – 0.60*(prep tentit)
Voimme käyttää tätä estimoitu regressioyhtälö laskea odotettavissa tentti pisteet opiskelija, joka perustuu tuntimäärä he opiskelevat ja määrä prep tentit he ottavat., Esimerkiksi opiskelija, joka opiskelee kolme tuntia, ja ottaa yksi tentti prep on odotettavissa saada pisteet 83.75:
tentti pisteet = 67.67 + 5.56*(3) – 0.60*(1) = 83.75
Pidä mielessä, että koska prep tentit otettu ei ollut tilastollisesti merkittävä (p = 0.52), emme voi päättää poistaa sen, koska se ei lisää mitään parannusta yleinen malli. Tässä tapauksessa voisimme suorittaa yksinkertaisen lineaarisen regression käyttäen vain tunteja tutkittu selittävä muuttuja.
tämän yksinkertaisen lineaarisen regressioanalyysin tulokset löytyvät täältä.