R-Quadrat | Bedeutung F- und P-Werte | Koeffizienten | Rückstände
In diesem Beispiel lernen Sie, wie Sie a . ausführen lineare Regressionsanalyse In Excel und wie Sie die Zusammenfassungsausgabe interpretieren.
Nachfolgend finden Sie unsere Daten. Die große Frage ist: Gibt es einen Zusammenhang zwischen der verkauften Menge (Output) und dem Preis und der Werbung (Input). Mit anderen Worten: Können wir die verkaufte Menge vorhersagen, wenn wir Preis und Werbung kennen?
1. Klicken Sie auf der Registerkarte Daten in der Gruppe Analyse auf Datenanalyse.
Hinweis: Sie können die Schaltfläche Datenanalyse nicht finden? Klicken Sie hier, um das Analysis ToolPak-Add-In zu laden.
2. Wählen Sie Regression und klicken Sie auf OK.
3. Wählen Sie den Y-Bereich (A1:A8). Dies ist die Prädiktorvariable (auch abhängige Variable genannt).
4. Wählen Sie den X-Bereich (B1:C8) aus. Dies sind die erklärenden Variablen (auch unabhängige Variablen genannt). Diese Spalten müssen nebeneinander liegen.
5. Markieren Sie Etiketten.
6. Klicken Sie in das Feld Ausgabebereich und wählen Sie Zelle A11 aus.
7. Überprüfen Sie Rückstände.
8. Klicken Sie auf OK.
Excel erzeugt die folgende Zusammenfassungsausgabe (auf 3 Dezimalstellen gerundet).
R Quadrat
R-Quadrat entspricht 0,962, was eine sehr gute Anpassung ist. 96% der Variation der verkauften Menge werden durch die unabhängigen Variablen Preis und Werbung erklärt. Je näher an 1 ist, desto besser passt die Regressionslinie (weiterlesen) zu den Daten.
Bedeutung F- und P-Werte
Um zu überprüfen, ob Ihre Ergebnisse zuverlässig (statistisch signifikant) sind, sehen Sie sich die Signifikanz F (0,001) an. Wenn dieser Wert kleiner als 0,05 ist, sind Sie in Ordnung. Wenn die Signifikanz F größer als 0,05 ist, ist es wahrscheinlich besser, diesen Satz unabhängiger Variablen nicht mehr zu verwenden. Löschen Sie eine Variable mit einem hohen P-Wert (größer als 0,05) und führen Sie die Regression erneut aus, bis die Signifikanz F unter 0,05 fällt.
Die meisten oder alle P-Werte sollten unter 0,05 liegen. In unserem Beispiel ist dies der Fall. (0,000, 0,001 und 0,005).
Koeffizienten
Die Regressionsgerade ist: y = verkaufte Menge = 8536.214 -835.722 * Preis + 0.592 * Werbung. Mit anderen Worten, für jede Preiserhöhung sinkt die verkaufte Menge um 835.722 Einheiten. Für jede Erhöhung der Werbeeinheit erhöht sich die verkaufte Menge um 0,592 Einheiten. Dies sind wertvolle Informationen.
Sie können diese Koeffizienten auch verwenden, um eine Prognose zu erstellen. Wenn der Preis beispielsweise 4 $ und die Werbung 3000 $ beträgt, können Sie möglicherweise eine verkaufte Menge von 8536,214 -835,722 * 4 + 0,592 * 3000 = 6970 erzielen.
Rückstände
Die Residuen zeigen Ihnen, wie weit die tatsächlichen Datenpunkte von den vorhergesagten Datenpunkten entfernt sind (mithilfe der Gleichung). Der erste Datenpunkt ist beispielsweise gleich 8500. Unter Verwendung der Gleichung entspricht der vorhergesagte Datenpunkt 8536,214 -835,722 * 2 + 0,592 * 2800 = 8523,009, was ein Residuum von 8500 - 8523,009 = -23,009 ergibt.
Sie können auch ein Streudiagramm dieser Residuen erstellen.
