1. 用excel线性回归分析
如果是我的话 我就列个计算表 如： A B C D yi y^ (yi-y^)^2 和 能理解吗？ 当然直接一个公式也是可以的。 =sumproduct(((b:b)-(a:a))*((b:b)-(a:a)))
2. excel线性回归分析题目
1.打开EXCEL，建立所需要的数据表格。
2.点击“插入”，选择“图表”。
3.在里面点击折线图，选择一种所需要的样式，点击“下一步”。
4.进入“源数据”，在数据区域点击右边那个图标，将整个X轴数据用鼠标选定。
5.点击上面的“系列”，进入系列。“名称”就用纵坐标名称，下面的“值”选定相应的纵坐标。然后最下面的“分类（X）轴标志（T）再次选定X轴数据即可。然后点击”完成“即可。6.折线图就完成了，当然如果要调整可以在上一步骤中点击”下一步“进行各种调整。
3. excel线性回归分析函数
简单概括为：插入散点图→添加趋势曲线，选择线性，并显示公式即可
4. excel线性回归分析结果解读,哪个是y哪个是x
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。
5. excel线性回归分析模型案例
1、首先打开Excel 2010。
2、新建一个Excel空白工作簿，分别在两列输入变量。
3、在“数据”选项卡中，选择“数据分析”，单击确定“回归分析”
4、选定“X”区域，单击鼠标选定目标区域。选定“Y”区域。同上。
5、选定输出区域。
6、分析结果。第一列Conefficients对应模型的回归系数，包括截距a和斜率b，由回归此可以建立回归模型；第二列为回归系数的标准误差，误差值越小，表明的参数的精确度越高；第三列对应模型参数的检验，需要查表才能进行检验。第四列对应参数P的值。
6. excel线性回归分析x大于16
excel如何自动求拟合的线性回归直线的斜率？比如给我们两组测试数据，要求我们计算两类产品测试结果的斜率值，我们可以使用函数SLOPE来求值，下面就是具体步骤。
方法/步骤
1、首先，打开excel表，鼠标点击要编辑的单元格；
2、点击菜单栏的“公式”，选择“插入函数”；
3、弹出函数搜索框，在输入框内输入“SLOPE”，点击查找函数；
4、弹出函数参数设置框，在known_y's处输入B2:B6；
5、在known_x's处输入C2:C6；
7. excel多元线性回归分析模型
选择数据区域，在“数据”选项下的“数据分析”选择“回归”，确定，然后根据“回归”的编辑栏里进行编辑。
如果Excel“数据”选项下没有“数据分析”，那么可以在Excel选项下的加载项，将“数据分析”加载进入Excel选项。
8. excel线性回归分析预测
如何用excel做线性回归方程
1.
根据已知的x、y值做回归方程；
2.
选中x、y值的数据区，点击“插入”—“折线图”—“二维折线图”；
3.
生成了一幅二维折线图；
4.
鼠标右键单击折线，选择“添加趋势线”。
9. excel线性回归分析结果解读
Multiple R：相关系数R，值在-1与1之间，越接近-1，代表越高的负相关，反之，代表越高的正相关关系。
R Square：测定系数，也叫拟合优度。是相关系数R的平方，同时也等于回归分析SS/(回归分析SS+残差SS)，这个值在~1之间，越大代表回归模型与实际数据的拟合程度越高。
Adjusted R Square：校正的测定系数，对两个具有不同个数的自变量的回归方程进行比较时，考虑方程所包含的自变量个数的影响。
标准误差：等于表2中残差SS / 残差df 的平方根。与测定系数一样都能描述回归模型与实际数据的拟合程度，它代表的是实际值与回归线的距离。
观测值：有多少组自变量的意思。
excel回归分析的使用方法：
1、首先在excel表格中输入需要进行回归分析的数据。
2、点击“数据”选项卡中“数据分析”工具中的“回归”，点击确定。
3、打开回归窗口后根据表格的X/Y值区域选中对应的区域范围。
4、然后设置好输出区域的范围，点击确定。
5、即可将excel表格中的数据形成回归分析数据显示在对应的单元格区域中。
10. excel线性回归分析怎么做
1.首先,我们打开一个excel文档,选择数据作为演示用。
2.选中要分析的数据之后,点击“插入”,选择“散点图”,并选择一种散点图类型。
3.在选项框中,趋势线选择“线性”,然后勾选“显示公式”和“显示R平方值”,点击“关闭”。
4.此时,图中就可以看到线性相关系数R的平方为0.9924了,我们对它开根号就能得到相关系数。
- 相关评论
- 我要评论
-