Analiza regresji

Przeprowadza liniową, logarytmiczną lub potęgową analizę regresji zbioru danych zawierającego jedną zmienną zależną i wiele zmiennych niezależnych.

Na przykład plony (zmienna zależna) mogą być powiązane z opadami deszczu, warunkami temperaturowymi, nasłonecznieniem, wilgotnością, jakością gleby i innymi czynnikami, przy czym wszystkie są zmiennymi niezależnymi.

Dane

Zakres zmiennych niezależnych (X):

Wprowadź pojedynczy zakres zawierający wiele niezależnych obserwacji zmiennych (wzdłuż kolumn lub wierszy). Wszystkie obserwacje zmiennej X należy wprowadzić obok siebie w tej samej tabeli.

Zmienna zależna zakresu (Y):

Wprowadź zakres zawierający zmienną zależną, której regresję chcesz obliczyć.

Oba zakresy X i Y mają etykiety

Zaznacz, aby użyć pierwszego wiersza (lub kolumny) zbiorów danych jako nazw zmiennych w zakresie wyjściowym.

Wyniki do:

Odwołanie do lewej górnej komórki zakresu, w której zostaną wyświetlone wyniki.

Typy regresji

Ustal typ regresji. Dostępne są trzy rodzaje:

• Regresja liniowa: znajduje funkcję liniową w postaci y = b + a₁.[x₁] + a₂.[x₂] + a₃.[x₃] ..., gdzie a_i to i-te nachylenie, [x_i] to i-ta zmienna niezależna, a b to punkt przecięcia, który najlepiej pasuje do danych.

• Regresja logarytmiczna: znajduje krzywą logarytmiczną w postaci y = b + a₁.ln[x₁] + a₂.ln[x₂] + a₃.ln[x₃] ..., gdzie a_i to i-ty współczynnik, b to punkt przecięcia, a ln[x_i] to logarytm naturalny i-tej zmiennej niezależnej, która najlepiej pasuje do danych.

• Regresja potęgowa: znajduje krzywą potęgową w postaci y = exp( b + a₁.ln[x₁] + a₂.ln[x₂] + a₃.ln[x₃] ...), gdzie a_i to i-ta potęga, [x_i] to i-ta zmienna niezależna, a b to punkt przecięcia, który najlepiej pasuje do danych.

Opcje

Poziom ufności

Wartość liczbowa z zakresu od 0 do 1 (z wyłączeniem limitów), wartość domyślna to 0,95. Służy do obliczania odpowiednich przedziałów ufności dla oszacowań kierunków, współczynników lub wyrażeń bezwzględnych.

Przelicz pozostałe

Wybierz, czy chcesz włączyć obliczanie reszt, co może być przydatne w przypadkach, gdy interesują Cię jedynie szacunki punktów przecięcia i ich statystyki. Reszty dostarczają informacji o odchyleniach rzeczywistych punktów danych od punktów danych przewidywanych przez model regresji.

Wymuszenie punktu przecięcia na zero

Oblicza model regresji, używając zera jako punktu przecięcia, wymuszając w ten sposób przejście modelu przez początek układu współrzędnych.