理论教育 回归分析:销售收入与广告费用的统计检验

回归分析:销售收入与广告费用的统计检验

时间:2023-06-09 理论教育 版权反馈
【摘要】:再次,对回归方程进行统计检验。例6-23根据例6-20的销售收入与广告费用数据表,以销售收入为自变量,广告费用为因变量,进行一元线性回归分析。图1-6-54“回归”对话框分析回归分析结果。如图1-6-55所示,回归分析结果分为三个部分。图1-6-55回归分析结果由上述三种方法的计算结果可知,三种方法计算出的一元线性回归拟合线方程都是相同的。

回归分析:销售收入与广告费用的统计检验

回归分析是指对具有相关关系的多个变量,构造一个适当的数学模型(称为回归方程),将变量之间的关系表达出来,进而通过一个或多个自变量的取值来预测因变量的值。

进行回归分析时,首先,确定出因变量和自变量。被预测或被解释的变量作为因变量,用y表示;用来预测或解释因变量的一个或多个变量作为自变量,用x表示。其次,设法找出合适的数学方程(即回归方程)来描述变量之间的关系。再次,对回归方程进行统计检验。最后,统计检验通过后,可以利用回归方程,根据自变量估计、预测因变量。

当回归中只有一个自变量时称为一元回归,若y和x之间为线性关系时称为一元线性回归;当回归中有多个自变量时称为多元回归

一元线性回归方程的形式为:y=a+bx,其中a和b是待估计的回归方程系数,a是估计的回归直线在y轴上的截距;b是回归直线的斜率,也称为回归系数

在Excel2013中,进行回归分析时,可以使用趋势线、回归函数、回归分析工具3种回归分析方法进行回归分析。

1.使用趋势线进行回归分析

使用趋势线进行回归分析时,首先对所选的两个变量对应的样本数据绘制出一个散点图,然后在散点图的基础上添加趋势线,得到一元线性回归分析的结果。

例6-23 根据例6-20的销售收入与广告费用数据表,以销售收入为自变量,广告费用为因变量,进行一元线性回归分析。

具体操作步骤如下。

(1)绘制散点图。按照例6-20中的操作步骤,绘制出散点图,参见图1-6-46。

(2)添加趋势线。将光标定位到散点图中的点,单击鼠标右键,在弹出的快捷菜单中,选择“添加趋势线”,打开“设置趋势线格式”窗格,设置“趋势线选项”为“线性”,并单击选中“显示公式(E)”“显示R平方值(R)”复选按钮;还可以根据需要设置趋势线的其他格式。设置好格式后得到一元线性回归直线和一元线性回归方程,如图1-6-52所示。

图1-6-52 回归直线

图1-6-52中,“y=0.0802x-7.9342”为一元线性回归方程;“R2=0.9893”为相关系数R的平方,其值越大,回归方程解释数据的能力越强,说明回归方程能够解释98.93%左右的数据,表明整体的拟合效果很好。

2.利用回归函数进行回归分析

设一元线性回归方程为y=ax+b,利用回归函数进行一元线性回归分析时,需要使用SLOPE函数、INTERCEPT函数计算a、b的值。

INTERCEPT函数的语法为“INTERCEPT(know_y's,know_x's)”,其功能是求线性回归拟合线方程的截距b的值。其中,参数know_x's是自变量的数值区域,参数know_y's是因变量的数值区域。

SLOPE函数的语法为“SLOPE(know_y's,know_x's)”,其功能是求线性回归拟合线方程的斜率a的值。其中,参数know_x's是自变量的数值区域,参数know_y's是因变量的数值区域。

例6-24 对例6-20的销售收入与广告费用数据表,以销售收入为自变量,广告费用为因变量,使用回归函数进行一元线性回归分析。

使用回归函数进行一元线性回归分析,首先利用INTERCEPT函数和SLOPE函数分别计算出截距b、斜率a。具体操作步骤如下。(www.daowen.com)

(1)计算截距b。在E2单元格输入公式“=INTERCEPT(B2:B16,A2:A16)”,按Enter键,得到结果“-7.934215”。

(2)计算斜率a。在E3单元格输入公式“=SLOPE(B2:B16,A2:A16)”,按Enter键,得到结果“0.080229”,如图1-6-53所示。

图1-6-53 利用回归函数计算的结果

根据以上计算结果,得到销售收入与广告费用之间的一元线性回归拟合线方程为“广告费用=0.080229×销售收入-7.934215”。

3.使用回归分析工具进行回归分析

例6-25 根据例6-20中的销售收入与广告费用数据表,以销售收入为自变量,广告费用为因变量,使用回归分析工具进行一元线性回归分析。

具体操作步骤如下。

(1)建立回归方程:广告费用=a+b×销售收入。

(2)单击“数据”选项卡下“分析”组中的“数据分析”按钮,打开“数据分析”对话框,在“分析工具”列表框中选择“回归”,单击“确定”按钮,打开“回归”对话框,如图1-6-53所示。

(3)在“回归”对话框中,按照图1-6-54设置各项参数,然后单击“确定”按钮,得到回归分析结果,如图1-6-55所示。

图1-6-54 “回归”对话框

(4)分析回归分析结果。如图1-6-55所示,回归分析结果分为三个部分。“回归统计”部分,“MultipleR”为“0.9946524”,表示相关系数;“RSquare”为“0.9893333”,表示相关系数的平方,写为R2;“AdjustedRSquare”为“0.9885128”,表示调整后的判定系数,其值接近1,说明回归结果的拟合程度很好。

方差分析”部分是回归方程整体的显著性检验结果,该方差分析的原假设是自变量对因变量没有显著影响(即所有回归系数为0)。F为检验统计量;“SignificanceF”通常称为P值,是一个概率,使用者通常根据P值作出决策。决策依据是:若SignificanceF<α,则拒绝原假设;若SignificanceF≥α,则接受原假设。本例中,SignificanceF<α,应拒绝原假设,表明回归方程中自变量“销售收入”对因变量“广告费用”有显著影响。

第三部分列出了回归的系数以及置信区间。可知,Intercept是截距a,值为“-7.934215”;“销售收入”是斜率b,值为“0.0802293”,因此一元线性回归方程可写为:广告费用=-7.934215+0.0802293×销售收入。“tStat”列是回归系数检验统计量,“P-value”列是P值,“Lower95%”和“Upper95%”列是置信区间的下限和上限。

图1-6-55 回归分析结果

由上述三种方法的计算结果可知,三种方法计算出的一元线性回归拟合线方程都是相同的。其中,使用趋势线进行回归分析最简单、直观;使用回归函数,关键是理解好SLOPE函数和INTERCEPT函数的含义,以及其参数的含义;使用回归分析工具进行回归分析得到的结果包含更多的信息量。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈