excel回归分析中的指标代表什么意义
MS ＝SS/df
F f统计量
Significance F 统计量显著性
t Stat t统计量
P-value P值
Lower 95% 下限
Upper 95%上限
这些指标在实际对于实际的自变量和因变量都有什么意义啊？求大神解释？ 展开
统计学中的回归预测分析具有普遍的实用意义，但变量之间关系分析及计算繁杂，而借助Excel可方便高效地研究其数量变动关系，完成其繁杂的计算分析过程。
1、将数据输入A1:F19单元格。数据为19行6列，分别记每列变量名为t、y、x1、x2、x3、x4。
2、选择Excel“工具”菜单之“数据分析”选项, 在分析工具框中选“相关系数”。相关系数对话框将显示为图2所示，它带输入输出的提示。
3、输入输入区域：$B$1:$F$19 分组方式：⊙逐列选择标志位于第一行输出选项输出区域: $A$21单击“确定”，Excel将计算出结果显示在输出区域中。
/4、回归分析: 选择Excel“工具”菜单之“数据分析”选项, 在分析工具框中“回归”。回归对话框将显示为图4所示，
a表示截距，b表示直线的斜率，e是误差项。
线性回归通常是人们在学习预测模型时首选的技术之一。在这种技术中，因变量是连续的，自变量可以是连续的也可以是离散的，回归线的性质是线性的。
线性回归使用最佳的拟合直线（也就是回归线）在因变量（Y）和一个或多个自变量（X）之间建立一种关系。
多元线性回归可表示为Y=a+b1*X +b2*X2+ e，其中a表示截距，b表示直线的斜率，e是误差项。多元线性回归可以根据给定的预测变量（s）来预测目标变量的值。
扩展资料
回归分析的步骤如下：
1、根据自变量与因变量的现有数据以及关系，初步设定回归方程；
2、求出合理的回归系数；
3、进行相关性检验，确定相关系数；
4、在符合相关性要求后，即可根据已得的回归方程与具体条件相结合，来确定事物的未来状况，并计算预测值的置信区间。
参考资料来源：百度百科--回归分析
统计学中的回归预测分析具有普遍的实用意义，但变量之间关系分析及计算繁杂，而借助Excel可方便高效地研究其数量变动关系，完成其繁杂的计算分析过程。
根据回归预测中的实例，借助Excel进行相关分析，判断出其相关程度，并在此基础上建立回归模型，最后用Excel完成计算分析、统计检验及预测，使回归预测分析的计算过程更简捷，统计预测方法更为实用。
直线回归分析是研究一个应变量与一个自变量间呈直线趋势的数量关系。在实际中，常会遇到一个应变量与多个自变量数量关系的问题。一个应变量与多个自变量间的这种线性数量关系可以用多元线性回归方程来表示。
式中b0相当于直线回归方程中的常数项a，bi（i=1,2,……m）称为偏回归系数，其意义为当其它自变量对应变量的线性影响固定时，bi反映了第i个自变量xi对应变量y线性影响的度量。
〔例〕财政收入多因素分析
在一定时期内，财政收入规模大小受许多因素的影响，如国民生产总值大小、社会从业人员多少、税收规模大小、税率高低因素等。本例仅取四个变量作为解释变量，分析它们对财政收入的影响程度。
t: 年份，y: 财政收入(亿元)，xl: 税收(亿元)，x2: 国民生产总值 (亿元)，x3: 其他收入(亿元)，x4: 社会从业人数(万人)。
数据来自中国统计出版社出版的《中国统计年鉴》，数据时限为1978-1995年，见下图1所示。按下列步骤使用Excel“回归”分析工具：
1. 输数据: 将数据输入A1:F19单元格。数据为19行6列，分别记每列变量名为t、y、x1、x2、x3、x4
2. 相关分析：
(1)选择Excel“工具”菜单之“数据分析”选项, 在分析工具框中选“相关系数”。相关系数对话框将显示为图2所示，它带输入输出的提示。
1)输入
输入区域：$B$1:$F$19
分组方式：⊙逐列
选择标志位于第一行
2) 输出选项
⊙输出区域: $A$21
(2)单击“确定”，Excel将计算出结果显示在输出区域中。
3. 回归分析:
(1) 选择Excel“工具”菜单之“数据分析”选项, 在分析工具框中“回归”。回归对话框将显示为图4所示，
1) 输入
Y值输入区域：$B$1:$B$19
X值输入区域：$C$1:$F$19
标志
常数为零:只有当用户想强制使回归线通过原点时才选此框
置信度: Excel自动包括了回归系数的95％置信区间。要使用其他置信区间，选择该框并在“置信度”框中输入置信水平
2) 输出选项
⊙ 输出区域: $H$1
3) 残差
残差(R)：选择此框可得到预测值和残差(Residual)，见图7。
残差图(D):选择此框可得到残差和每一x值的图表，见图6。
标准残差(T)：选择此框可得到标准化的残差(每一残差被估计标准误差除)。这一输出可使曲线较容易分层。
线性拟合图(I)：选择此框可得到一含有y输入数据和与拟合的y值的散点图,见图7。
4) 正态概率图: 绘制应变量的正态概率图。
(2)．单击“确定”，Excel将计算出结果显示在输出区域中。
4．回归输出的解释
（1）回归方程：
参考图5所示单元I17:I21中的系数，回归方程为：
y＝767.7742+0.0543x1
+0.3680x2+1.1013x3-0.0037x4
在多元回归模型中，系数称为偏回归系数。例如，如果“税收”、“国民生产总值”和“社会从业人数”为固定常数，而“其他收入”允许变化，那么单位“其他收入”的变化引起“财政收入”的变化是1.1013亿元。
（2）系数的显著水平
“税收”系数的t统计值大于4，p<0.01,表示拒绝在此模型中“税收”与“财政收入”无关的原假设，而得出二者间有明显关系存在的结论。
“国民生产总值”系数的t统计值大于2，p<0.05, 说明“国民生产总值”与“财政收入”间存在明显线性关系。
而“其他收入”和“社会从业人数”系数的t值较小，p>0.05, 不能拒绝在此模型中“其他收入”和“社会从业人数”与“财政收入”无关的原假设，而得出二者间无明显关系存在的结论。
（3）回归统计值的解释
参考图5第7行，多元回归模型的标准误差是138.86亿元,第5行的R Square值说明“财政收入”变化的99％可以用“税收”、“国民生产总值”、“其他收入”和“社会从业人数”为解释变量的线性回归模型来解释。
（4）方差分析的解释
图5中从第10行到第14行的方差分析输出是检验所有回归系数同时等于零的原假设得出的结果。最终的结果是P值，在输出中的标记为“SignificanceF”。这里的P值约为6.04E-14，是从“财政收入”与解释变量之间无关系的总体随机样本中得到这些结果的概率。这个P值说明要从这样总体的随机样本中看到这些结果是极不可能的，从而得出至少有一个显著关系存在的结论。
5．残差分析
残差图对查看线性关系和常数方差的假设是否正确十分有用。Excel提供了残差与每一解释变量间关系的图形，如图6所示。
如果“财政收入”与“税收”间的关系是线性的(考虑其它因素后)，那么残差图应是显随机图形。另一方面，如果能看到曲线或者其他对称图形，那么就应改变模型来加入非线性关系。
大多数观测者会得出残差图基本上是随机的这一结论，所以不需要附加的模型化处理。因为所用的样本较小(只有18个观察对象)，所以很难查出非线性模式。
观察图6所示的残数—税收估值图，该图显示基本，且样本很小，使检测非线性模式十分困难。
6．拟合效果考察
将财政收入原始值与估计值做线图，Excel步骤为：
（1）选数据：选B1:B19，按Ctrl选I27:I45
（2）点击“图表向导”，选择“折线图”，按“完成”按钮执行，结果见图7
7．预测：通过前面对回归方程及回归系数的检验知所建立的方程有意义，同时通过上图也看到，该模型的拟合效果很好，今用该方程对1996、1997、和2000年财政收入进行预测，结果见下图8。
下面各步骤描述了如何用TREND函数预测“财政收入”：
（1）按图1所示，在工作表(C28:F30)中输入解释变量的值
（2）选取将要包含预测值的单元(B28)。
（3）从Excel“插入”菜单中选择“函数”命令，选取函数分类列表框中的统计，并选取“函数名”列表柜中的TREND，然后单击“确定”。TREND函数的语法为：
TREND(原y’s，原x’s，新x’s, 常数项)
本例 B28 =TREND($B$2:$B$19,$C$2:$F$19,C28:F28,1)
（4）将单元B28的拷贝到B29：B30中，得结果见上表
（5）预测的解释
对2000情况来说，对于“税收”为68043.28、“国民生产总值”为8571.70，“其他收入”为652.99，“社会从业人数”为72361.00的财政收入的最佳预测值是8069.13，与实际值的8075.38相差很小。
从上述的分析计算过程中可以看出，Excel在回归预测应用中，其分析计算简捷，检验结果准确方便，使统计预测分析更具实用价值。
统计学中的回归预测分析具有普遍的实用意义，但变量之间关系分析及计算繁杂，而借助 Excel 可方便高效地研究其数量变动关系，完成其繁杂的计算分析过程。
根据回归预测中的实例，借助 Excel 进行相关分析，判断出其相关程度，并在此基础上建立回归模型，最后用 Excel 完成计算分析、统计检验及预测，使回归预测分析的计算过程更简捷，统计预测方法更为实用。
直线回归分析是研究一个应变量与一个自变量间呈直线趋势的数量关系。在实际中，常会遇到一个应变量与多个自变量数量关系的问题。一个应变量与多个自变量间的这种线性数量关系可以用多元线性回归方程来表示。
式中 b0 相当于直线回归方程中的常数项 a，bi（i=1,2,……m）称为偏回归系数，其意义为当其它自变量对应变量的线性影响固定时，bi 反映了第 i 个自变量 xi 对应变量 y 线性影响的度量。
扩展资料
Multiple R：（复相关系数 R）R2 的平方根，又称相关系数，用来衡量自变量 x 与 y 之间的相关程度的大小。（Multiple：复合、多种）
R Square：复测定系数，上述复相关系数 R 的平方。用来说明自变量解释因变量 y 变差的程度，以测定因变量 y 的拟合效果。
参考资料百度百科-回归分析
