Ví dụ từng bước sau đây cho thấy cách sử dụng chức năng này trong thực tế
Bước 1. Nhập dữ liệu
Trước tiên, hãy nhập tập dữ liệu sau vào Excel
Bước 2. Sử dụng LINEST để phù hợp với nhiều mô hình hồi quy tuyến tính
Giả sử chúng ta muốn điều chỉnh mô hình hồi quy tuyến tính bội bằng cách sử dụng x1, x2 và x3 làm biến dự đoán và y làm biến phản hồi
Để làm như vậy, chúng ta có thể nhập công thức sau vào bất kỳ ô nào để phù hợp với mô hình hồi quy tuyến tính bội này
=LINEST[D2:D14, A2:C14]
Ảnh chụp màn hình sau đây cho thấy cách sử dụng công thức này trong thực tế
Đây là cách giải thích đầu ra
- Hệ số chặn là 28. 5986
- Hệ số của x1 là 0. 34271
- Hệ số của x2 là -3. 00393
- Hệ số của x3 là 0. 849687
Sử dụng các hệ số này, chúng ta có thể viết phương trình hồi quy phù hợp là
y = 28. 5986 + 0. 34271[x1] – 3. 00393[x2] + 0. 849687[x3]
Bước 3 [Tùy chọn]. Hiển thị thống kê hồi quy bổ sung
Chúng ta cũng có thể đặt giá trị cho đối số stats trong hàm LINEST bằng TRUE để hiển thị thống kê hồi quy bổ sung cho phương trình hồi quy phù hợp
Phương trình hồi quy được trang bị vẫn giống nhau
y = 28. 5986 + 0. 34271[x1] – 3. 00393[x2] + 0. 849687[x3]
Đây là cách diễn giải các giá trị khác trong đầu ra
- Lỗi tiêu chuẩn cho x3 là 0. 453295
- Sai số chuẩn cho x2 là 1. 626423
- Sai số chuẩn cho x1 là 1. 327566
- Lỗi tiêu chuẩn cho phần chặn là 13. 20088
- R2 của mô hình là. 838007
- Sai số chuẩn còn lại của y là 3. 707539
- Thống kê F tổng thể là 15. 51925
- Bậc tự do là 9
- Tổng hồi quy bình phương là 639. 9797
- Tổng các bình phương còn lại là 123. 7126
Nói chung, số liệu thú vị nhất trong các thống kê bổ sung này là giá trị R2, đại diện cho tỷ lệ phương sai trong biến phản hồi có thể được giải thích cho biến dự báo
Giá trị của R2 có thể nằm trong khoảng từ 0 đến 1
Vì R2 cho mô hình cụ thể này là. 838, nó cho chúng ta biết rằng các biến dự đoán thực hiện tốt công việc dự đoán giá trị của biến phản hồi y
Hồi quy tuyến tính bội là phương pháp chúng ta có thể sử dụng để hiểu mối quan hệ giữa hai hoặc nhiều biến giải thích và một biến phản hồi
Hướng dẫn này giải thích cách thực hiện hồi quy tuyến tính bội trong Excel
Ghi chú. Nếu bạn chỉ có một biến giải thích, thay vào đó, bạn nên thực hiện hồi quy tuyến tính đơn giản
Thí dụ. Nhiều hồi quy tuyến tính trong Excel
Giả sử chúng ta muốn biết liệu số giờ dành cho việc học và số bài kiểm tra chuẩn bị đã thực hiện có ảnh hưởng đến số điểm mà một học sinh nhận được trong một kỳ thi tuyển sinh đại học nhất định hay không
Để khám phá mối quan hệ này, chúng ta có thể thực hiện hồi quy tuyến tính bội bằng cách sử dụng số giờ đã học và bài kiểm tra chuẩn bị đã thực hiện làm biến giải thích và điểm bài kiểm tra làm biến phản hồi
Thực hiện các bước sau trong Excel để tiến hành hồi quy tuyến tính bội
Bước 1. Nhập dữ liệu
Nhập dữ liệu sau cho số giờ đã học, bài kiểm tra chuẩn bị đã thực hiện và điểm bài kiểm tra nhận được cho 20 học sinh
Bước 2. Thực hiện hồi quy tuyến tính bội
Dọc theo dải băng trên cùng trong Excel, chuyển đến tab Dữ liệu và nhấp vào Phân tích dữ liệu. Nếu không thấy tùy chọn này thì trước tiên bạn cần cài đặt Công cụ phân tích miễn phí.
Khi bạn nhấp vào Phân tích dữ liệu, một cửa sổ mới sẽ bật lên. Chọn Hồi quy và nhấp vào OK
Đối với Phạm vi đầu vào Y, hãy điền vào mảng giá trị cho biến phản hồi. Đối với Phạm vi đầu vào X, hãy điền vào mảng giá trị cho hai biến giải thích. Chọn hộp bên cạnh Nhãn để Excel biết rằng chúng tôi đã bao gồm tên biến trong phạm vi đầu vào. Đối với Phạm vi đầu ra, hãy chọn một ô mà bạn muốn đầu ra của hồi quy xuất hiện. Sau đó nhấp vào OK
Đầu ra sau sẽ tự động xuất hiện
Bước 3. Giải thích đầu ra
Đây là cách diễn giải các số phù hợp nhất trong đầu ra
Quảng trường R. 0. 734. Đây được gọi là hệ số xác định. Là tỷ lệ của phương sai trong biến phản ứng có thể được giải thích bởi các biến giải thích. Trong ví dụ này, 73. 4% sự khác biệt trong điểm thi có thể được giải thích bằng số giờ học và số bài kiểm tra chuẩn bị đã thực hiện
lỗi tiêu chuẩn. 5. 366. Đây là khoảng cách trung bình mà các giá trị quan sát được giảm từ đường hồi quy. Trong ví dụ này, các giá trị được quan sát rơi vào mức trung bình là 5. 366 đơn vị từ đường hồi quy
F. 23. 46. Đây là thống kê F tổng thể cho mô hình hồi quy, được tính là MS hồi quy/MS dư
ý nghĩa F. 0. 0000. Đây là giá trị p được liên kết với thống kê F tổng thể. Nó cho chúng ta biết liệu toàn bộ mô hình hồi quy có ý nghĩa thống kê hay không. Nói cách khác, nó cho chúng ta biết liệu hai biến giải thích được kết hợp có mối liên hệ có ý nghĩa thống kê với biến phản hồi hay không. Trong trường hợp này giá trị p nhỏ hơn 0. 05, chỉ ra rằng các biến số giải thích số giờ đã học và các bài kiểm tra chuẩn bị đã thực hiện được kết hợp có mối liên hệ có ý nghĩa thống kê với điểm bài kiểm tra
giá trị P. Các giá trị p riêng lẻ cho chúng ta biết mỗi biến giải thích có ý nghĩa thống kê hay không. Chúng ta có thể thấy rằng số giờ được nghiên cứu có ý nghĩa thống kê [p = 0. 00] trong khi thực hiện các kỳ thi chuẩn bị [p = 0. 52] không có ý nghĩa thống kê tại α = 0. 05. Vì các bài kiểm tra chuẩn bị được thực hiện không có ý nghĩa thống kê nên cuối cùng chúng tôi có thể quyết định xóa nó khỏi mô hình
hệ số. Các hệ số cho mỗi biến giải thích cho chúng ta biết mức thay đổi dự kiến trung bình trong biến phản hồi, giả sử biến giải thích khác không đổi. Ví dụ: cứ mỗi giờ học thêm, điểm bài kiểm tra trung bình dự kiến sẽ tăng 5. 56, giả định rằng các bài kiểm tra chuẩn bị được thực hiện không đổi
Đây là một cách khác để suy nghĩ về điều này. Nếu cả học sinh A và học sinh B đều có số lượng bài kiểm tra chuẩn bị như nhau nhưng học sinh A học nhiều hơn một giờ, thì học sinh A dự kiến sẽ đạt được số điểm là 5. 56 điểm cao hơn sinh viên B
Chúng tôi giải thích hệ số cho điểm chặn có nghĩa là điểm bài kiểm tra dự kiến cho một học sinh học không giờ và không làm bài kiểm tra chuẩn bị là 67. 67
Ước lượng phương trình hồi quy. Chúng ta có thể sử dụng các hệ số từ đầu ra của mô hình để tạo phương trình hồi quy ước tính sau
điểm thi = 67. 67 + 5. 56*[giờ] – 0. 60*[thi chuẩn bị]
Chúng ta có thể sử dụng phương trình hồi quy ước tính này để tính điểm kỳ thi dự kiến cho một học sinh, dựa trên số giờ học và số bài kiểm tra chuẩn bị mà họ thực hiện. Ví dụ, một học sinh học trong ba giờ và làm một bài kiểm tra chuẩn bị sẽ nhận được số điểm là 83. 75
điểm thi = 67. 67 + 5. 56*[3] – 0. 60*[1] = 83. 75
Hãy nhớ rằng vì các bài kiểm tra chuẩn bị đã thực hiện không có ý nghĩa thống kê [p = 0. 52], chúng tôi có thể quyết định xóa nó vì nó không thêm bất kỳ cải tiến nào vào mô hình tổng thể. Trong trường hợp này, chúng tôi có thể thực hiện hồi quy tuyến tính đơn giản chỉ sử dụng số giờ đã nghiên cứu làm biến giải thích
Kết quả của phân tích hồi quy tuyến tính đơn giản này có thể được tìm thấy ở đây
Tài nguyên bổ sung
Khi bạn thực hiện hồi quy tuyến tính bội, có một số giả định bạn có thể muốn kiểm tra bao gồm