R Square | Betydelse F- och P-värden | Koefficienter | Rester
Detta exempel lär dig hur du kör en linjär regressionsanalys i Excel och hur man tolkar sammanfattningsutmatningen.
Nedan hittar du vår data. Den stora frågan är: finns det ett samband mellan såld mängd (produktion) och pris och reklam (ingång). Med andra ord: kan vi förutsäga såld mängd om vi vet pris och reklam?
1. Klicka på Dataanalys i gruppen Analys på fliken Data.
Obs: hittar du inte dataanalysknappen? Klicka här för att ladda tillägget Analysis ToolPak.
2. Välj Regression och klicka på OK.
3. Välj Y -område (A1: A8). Detta är prediktorvariabeln (kallas även beroende variabel).
4. Välj X -intervallet (B1: C8). Detta är de förklarande variablerna (även kallade oberoende variabler). Dessa kolumner måste ligga intill varandra.
5. Kontrollera etiketter.
6. Klicka i rutan Output Range och välj cell A11.
7. Kontrollera rester.
8. Klicka på OK.
Excel producerar följande sammanfattningsutmatning (avrundat till 3 decimaler).
R Square
R Square motsvarar 0,962, vilket är en mycket bra passform. 96% av variationen i såld mängd förklaras av de oberoende variablerna Pris och reklam. Ju närmare 1, desto bättre passar regressionslinjen (läs vidare) till data.
Betydelse F- och P-värden
För att kontrollera om dina resultat är tillförlitliga (statistiskt signifikanta), se Betydelse F (0,001). Om detta värde är mindre än 0,05 är du OK. Om signifikans F är större än 0,05 är det förmodligen bättre att sluta använda denna uppsättning oberoende variabler. Ta bort en variabel med ett högt P-värde (större än 0,05) och kör regressionen igen tills signifikans F sjunker under 0,05.
De flesta eller alla P-värden bör vara under 0,05. I vårt exempel är detta fallet. (0,000, 0,001 och 0,005).
Koefficienter
Regressionslinjen är: y = Kvantitet sålt = 8536.214 -835.722 * Pris + 0.592 * Annonsering. Med andra ord, för varje enhetsökning i pris minskar antalet sålda med 835.722 enheter. För varje enhetsökning i annonsering ökar antalet sålda med 0,592 enheter. Detta är värdefull information.
Du kan också använda dessa koefficienter för att göra en prognos. Till exempel, om priset är $ 4 och reklam är $ 3000, kanske du kan uppnå en såld mängd på 8536.214 -835.722 * 4 + 0.592 * 3000 = 6970.
Rester
Resten visar hur långt bort de faktiska datapunkterna är från de förutspådda datapunkterna (med hjälp av ekvationen). Till exempel är den första datapunkten lika med 8500. Med hjälp av ekvationen är den förutsagda datapunkten 8536.214 -835.722 * 2 + 0.592 * 2800 = 8523.009, vilket ger en rest på 8500 -8523.009 = -23.009.
Du kan också skapa en spridningsdiagram över dessa rester.
