Lineaarne regressioon on suurepärane tööriist Exceli ennustuste tegemiseks. Kui teate kahte muutujat seostava sirge kalle ja lõikepunkti, saate võtta uue x- väärtuse ja ennustada uut y- väärtust. Näites, mille olete läbi töötanud, võtate SAT-skoori ja ennustate Sahutsketi ülikooli üliõpilase GPA-d.
Mis siis, kui teaksite rohkem kui ainult iga õpilase SAT-skoori? Mis siis, kui teil oleks õpilase keskkooli keskmine (100 skaalal) ja saaksite ka seda teavet kasutada? Kui saaksite kombineerida SAT-skoori HS-i keskmisega, võib teil olla täpsem ennustaja kui ainult SAT-skoor.
Kui töötate rohkem kui ühe sõltumatu muutujaga, olete mitme regressiooni valdkonnas. Nagu lineaarse regressiooni puhul, leiate hajuvusdiagrammi kaudu kõige paremini sobiva joone regressioonikoefitsiendid. Taaskord tähendab parim sobivus seda, et andmepunktide ja joone vahelise ruudu kauguste summa on minimaalne.
Kahe sõltumatu muutuja korral ei saa aga hajuvusdiagrammi kahes mõõtmes näidata. Teil on vaja kolme mõõdet ja seda on raske joonistada.
SAT-GPA näite puhul tähendab regressioonivõrrand
Prognoositav GPA =a+b1(SAT)+b2 (keskkooli keskmine)
Saate testida hüpoteese üldise sobivuse ja kõigi kolme regressioonikordaja kohta.
Vaatame Exceli võimalusi koefitsientide leidmiseks.
Mõned asjad, mida meeles pidada:
- Sul võib olla suvaline arv x- muutujaid.
- Oodake, et SAT-i koefitsient muutub lineaarselt regressioonilt mitmekordseks regressiooniks. Oodake, et ka pealtkuulamine muutub.
- Eeldatakse, et hinnangu standardviga väheneb lineaarselt regressioonilt mitmekordseks regressiooniks. Kuna mitmekordne regressioon kasutab rohkem teavet kui lineaarne regressioon, vähendab see viga.