1. excel回归分析结果p值
R Square：R方，这个值度量了回归方程能解释y（因变量）的变异的多少。
Adjusted R Square ：调整r方 标准误差 ：标准差/均值 （预测值y的标准差和均值）。
Coefficients（回归系数）：intercept对应截距项标准误差：误差值越小，表明参数的精确度越高。
t stat：T检验中统计量t值，用于对模型参数的检验，需要查表才能决定。t值是回归系数与其标准误差的比值。
P-value：T检验对应的P值，当P
2. excel线性回归p值
excel2016进行二元线性回归分析步骤如下：
1、单击开始－－-->所有程序－－-->Microsoft Office，选择Microsoft Excel 2010选项。
2、新建的Excel数据表格中，创建两行数据，用以分析。
3、选中所有数据，单击数据菜单项中的，数据分析选项。
4、默认情况下，Excel表格没有数据分析选项，此时需要添加它。单击文件菜单中的选项。
5、Excel选项中，选择加载项选项。
6、加载项中，选择分析工具库选项
3. Excel回归分析结果
有两种方法。
第一种，先画散点图，然后添加趋势线，有线性回归、指数、幂函数、多项式回归选项。
第二种，加载数据分析加载项，选择回归，这个可以多元线性回归。
4. excel回归分析的p值
1、新建一个 Excel文件，根据需要录入多元回归分析的数据。
2、数据录入完成后，点击左上角的选项按钮，然后点击“Excel选项”。
3、在“Excel选项”界面中，选择左侧的“加载项”，然后点击“转到”按钮。
4、勾选分析数据库（这里的分析数据库是自行加载的）。然后点击“确定”按钮。
5、选择Excel主界面上方的“数据”选项，然后点击“数据分析”。
6、在分析数据库中勾选“回归”分析选项，然后点击“确定”按钮。
7、首先选择需要多元分析的数据，作者这里选择的是人均GDP与年份、人口自然增长率、国民总收入三者之间的多元回归分析，其次选择分析结果显示的位置，最后点击“确定”按钮。
8、自此，关于人均GDP与年份、人口自然增长率、国民总收入三者之间的多元回归分析就完成了。
5. 回归结果的p值怎么看
P值是 拒绝原假设的值回归系数b的检验 是 t检验 当P<α值 即回归系数显著 拒绝原假设回归模型检验 是检验模型是否合适 通过F检验 当F检验P<α 则模型显著 即反映的总体回归通过这两种检验 而且符合经济自然规律后的模型可预测
6. 回归分析的p值怎么看
如果有设置虚拟变量，则只要虚拟变量中一个分类的p值显著就说明这整个分类自变量显著其他的连续性自变量是否显著就参照普通线性回归的方法一样的，主要是纳入回归分析的自变量的p值都要看
7. 回归分析表中p值怎么看
logistic回归与多重线性回归一样，在应用之前也是需要分析一下资料是否可以采用logistic回归模型。并不是说因变量是分类变量我就可以直接采用logistic回归，有些条件仍然是需要考虑的。
首要的条件应该是需要看一下自变量与因变量之间是什么样的一种关系。多重线性回归中，要求自变量与因变量符合线性关系。而logistic回归则不同，它要求的是自变量与logit（y）符合线性关系，所谓logit实际上就是ln（P/1-P）。也就是说，自变量应与ln（P/1-P）呈线性关系。当然，这种情形主要针对多分类变量和连续变量。对于二分类变量就无所谓了，因为两点永远是一条直线。
这里举一个例子。某因素y与自变量x之间关系分析，y为二分类变量，x为四分类变量。如果x的四分类直接表示为1，2，3，4。则分析结果为p=0.07，显示对y的影响在0.05水准时无统计学意义，而如果将x作为虚拟变量，以1为参照，产生x2，x3，x4三个变量，重新分析，则结果显示：x2，x3，x4的p值分别为0.08，0.05和0.03。也就是说，尽管2和1相比无统计学意义，但3和1相比，4和1相比，均有统计学意义。
为什么会产生如此结果？实际上如果仔细分析一下，就可以发现，因为x与logit（y）并不是呈线性关系。而是呈如下图的关系：
这就是导致上述差异的原因。从图中来看，x的4与1相差最大，其次是2，3与1相差最小。实际分析结果也是如此，上述分析中，x2，x3，x4产生的危险度分别为3.1，2.9，3.4。
因此，一开始x以1，2，3，4的形式直接与y进行分析，默认的是认为它们与logit（p）呈直线关系，而实际上并非如此，因此掩盖了部分信息，从而导致应有的差异没有被检验出来。而一旦转换为虚拟变量的形式，由于虚拟变量都是二分类的，我们不再需要考虑其与logit（p）的关系，因而显示出了更为精确的结果。
最后强调一下，如果你对自变量x与y的关系不清楚，在样本含量允许的条件下，最好转换为虚拟变量的形式，这样不至于出现太大的误差。
如果你不清楚应该如何探索他们的关系，也可以采用虚拟变量的形式，比如上述x，如果转换的虚拟变量x2，x3，x4他们的OR值呈直线关系，那x基本上可以直接以1，2，3，4的形式直接与y进行分析。而我们刚才也看到了，x2，x3，x4的危险度分别为3.1，2.9，3.4。并不呈直线关系，所以还是考虑以虚拟变量形式进行分析最好。
总之，虚拟变量在logistic回归分析中是非常有利的工具，善于利用可以帮助你探索出很多有用的信息。
统计的分析策略是一个探索的过程，只要留心，你就会发现在探索数据关系的过程中充满了乐趣，因为你能发现别人所发现不了的隐藏的信息。希望大家多学点统计分析策略，把统计作为一种艺术，在分析探索中找到乐趣。
样本量的估计可能是临床最头疼的一件事了，其实很多的临床研究事前是从来不考虑样本量的，至少我接触的临床研究大都如此。他们大都是想到就开始做，但是事后他们会寻求研究中样本量的依据，尤其是在投文章被审稿人提问之后。可能很少有人想到研究之前还要考虑一下样本够不够的问题。其实这也难怪，临床有临床的特点，很多情况下是很难符合统计学要求的，尤其一些动物试验，可能真的做不了很多。这种情况下确实是很为难的。
本篇文章仅是从统计学角度说明logistic回归所需的样本量的大致估计，不涉及临床特殊问题。
其实不仅logistic回归，所有的研究一般都需要对样本量事前有一个估计，这样做的目的是为了尽可能地得出阳性结果。比如，你事前没有估计，假设你做了20例，发现是阴性结果。如果事前估计的话，可能会提示你需要30例或25例可能会得出阳性结果，那这时候你会不会后悔没有事前估计？当然，你可以补实验，但是不管从哪方面角度来讲，补做的实验跟一开始做得实验可能各种条件已经变化，如果你在杂志中说你的实验是补做的，那估计发表的可能性就不大了。
一般来说，简单的研究，比如组间比较，包括两组和多组比较，都有比较成熟的公式计算一下你到底需要多少例数。这些在多数的统计学教材和流行病学教材中都有提及。而对于较为复杂的研究，比如多重线性回归、logistic回归之类的，涉及多个因素。这种方法理论上也是有计算公式的，但是目前来讲，似乎尚无大家公认有效的公式，而且这些公式大都计算繁琐，因此，现实中很少有人对logistic回归等这样的分析方法采用计算的方法来估计样本量。而更多地是采用经验法。
其实关于logistic回归的样本量在部分著作中也有提及，一般来讲，比较有把握的说法是：每个结局至少需要10例样品。这里说得是每个结局。例如，观察胃癌的危险因素，那就是说，胃癌是结局，不是你的总的例数，而是胃癌的例数就需要这么多，那总的例数当然更多。比如我有7个研究因素，那我就至少需要70例，如果你是1：1的研究，那总共就需要140例。如果1：2甚至更高的，那就需要的更多了。
而且，样本量的大小也不能光看这一个，如果你的研究因素中出现多重共线性等问题，那可能需要更多的样本，如果你的因变量不是二分类，而是多分类，可能也需要更大的样本来保证你的结果的可靠性。
理论上来讲，logistic回归采用的是最大似然估计，这种估计方法有很多优点，然而，一个主要的缺点就是，必须有足够的样本才能保证它的优点，或者说，它的优点都是建立在大样本的基础上的。一般来讲，logistic回归需要的样本量要多于多重线性回归。
最后仍然需要说一句，目前确实没有很好的、很权威的关于logistic回归样本量的估计方法，更多的都是根据自己的经验以及分析过程中的细节发现。如果你没有太大的把握，就去请教统计老师吧，至少他能给你提出一些建议。
8. excel 回归 p值
① ln y = ln a + b ln x，在excel里面把你的X、Y均转化成ln y，ln x（这个用公式可以实现的哈）
② 利用“数据分析”中的“回归”功能对lnx、lny 进行回归。 从回归结果中可以读出ln a 和b的值。然后a=exp( )空号里面是ln a 的值。 只能这样说明了，你要是上数据我还可以给你做出来，这样描述不晓得明不明白，还有什么不明白再问我吧~
9. 回归分析的p值计算公式
P值是拒绝原假设的值。
回归系数P的检验是t检验，当P<α值，即回归系数显著，拒绝原假设。
回归模型检验是检验模型是否合适，通过F检验，当F检验P<α，则模型显著，即反映的总体回归。
通过这两种检验，而且符合经济自然规律后的模型可预测。
如果在回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且自变量之间存在线性相关，则称为多重线性回归分析。
10. excel回归分析结果解读中P值
可以使用在线spss平台SPSSAU进行分析，结果比较容易解读。
B值：用于判断X对Y的影响关系方向及影响程度
回归系数B值大于0说明正向影响,反之负向影响，以及通过B值大小对比X对Y的影响程度大小。
P值：如果P<0.05,则说明具有影响关系,反之无影响关系。
R方：用于判断模型情况
VIF值：判断模型共线性问题
F检验：用于判定是否X中至少有一个对Y产生影响,如果呈现出显著性,则说明所有X中至少一个会对Y产生影响关系。
具体说明可查看spssau输出的智能文字分析结果。
11. excel回归分析结果p值为什么都那么小
1、使用SPSSAU在线分析：首先找到回归分析
2、把想要分析的题项拖拽到指定的选框中，点击即可生成数据。（有不会的问题可以点击右侧的“灯泡”查看帮助手册）
3、得到结果，以及智能文字分析
结果解读
1、回归分析结果指标解读：
这里主要关注P值，小于0.05时有意义。
B值即回归系数值，大于0说明正向影响，小于0说明负向回归。
2、分析步骤：
①、首先分析模型拟合情况，即通过R平方值分析模型拟合情况，以及可对VIF值进行分析，判断模型是否存在共线性问题【共线性问题可使用岭回归或者逐步回归进行解决】；
②、写出模型公式(可选)；
③、分析X的显著性；如果呈现出显著性(P值小于0.05或0.01)；则说明X对Y有影响关系，接着具体分析影响关系方向；
④、结合回归系数B值，对比分析X对Y的影响程度(可选)；
⑤、对分析进行总结。
3、进一步模型分析：
①、多重共线性：可查看VIF值，如果全部小于10（严格是5），则说明模型没有多重共线性问题，模型构建良好；反之若VIF大于10说明模型构建较差。如果呈现出共性问题，可使用逐步回归分析。
②、自相关性：如果D-W值在2附近（1.7~2.3之间），则说明没有自相关性，模型构建良好，反之若D-W值明显偏离2，则说明具有自相关性，模型构建较差。自相关问题产生时建议对因变量Y数据进行查看。
③、残差正态性：在分析时可保存残差项，然后使用“正态图”直观检测残差正态性情况，如果残差直观上满足正态性，说明模型构建较好，反之说明模型构建较差。如果残差正态性非常糟糕，建议重新构建模型，比如对Y取对数后再次构建模型等。
④、异方差性：可将保存的残差项，分别与模型的自变量X或者因变量Y，作散点图，查看散点是否有明显的规律性，比如自变量X值越大，残差项越大/越小，这时此说明有规律性，模型具有异方差性，模型构建较差。如果有明显的异方差性，建议重新构建模型，比如对Y取对数后再次构建模型等。
- 相关评论
- 我要评论
-