L'analisi di regressione è usato per predire i punteggi su una variabile indipendente , conosciuta come " x " utilizzando punteggi note su una o più variabili dipendenti noto come " Y ". L'analisi di regressione lineare calcola matematicamente l'equazione di una retta , che serve da modello predittivo . Secondo il sito web , Stat Trek , residui rappresentano la distanza verticale tra ogni punto dati ottenuti della variabile indipendente da questa linea retta . Microsoft Excel 2007 produce un grafico dei residui che devono essere interpretati per valutare l'opportunità di utilizzare un model.Things di regressione lineare che vi serve
Microsoft Excel 2007

Mostra Altre istruzioni
Il 1

Identificare le variabili x e y nel vostro regressione . La variabile x o variabile indipendente rappresenta il risultato che si vuole misurare . Le variabili Y o variabili dipendenti sono gli input o predittori . Ad esempio , se si vuole progettare un modello di previsione numero di ricoveri ER una persona avrebbe utilizzando il numero di chili in sovrappeso e il numero di ore lavorate per settimana , le variabili dipendenti sono certo numero di chili in sovrappeso e il numero di ore lavorate per settimana, mentre la variabile indipendente è il numero di ricoveri ER .
2

Capire che l'asse x di un grafico dei residui contiene tutti i valori della variabile x nel campione . In questo esempio , se il maggior numero di presenze ER chiunque nel campione aveva 15 anni e il più basso era pari a zero , la bilancia dovrebbe iniziare da zero ed estendere verso l'alto con incrementi di uno al valore massimo di 15
Sims 3

Imparare a leggere l'asse y del grafico dei residui . L'asse y rappresenta i residui . Se la grande distanza tra un punto dati ottenuti e la retta predittivo è 15 e la più piccola distanza era zero , questa scala inizierebbe a zero e si estendono verso l'alto con incrementi di uno al valore massimo di 15 Microsoft Excel 2007 produce un grafico per ogni variabile y .
4

Capire che la linea retta sul grafico è la linea predittiva che descrive la relazione più adatta tra x e l'essere variabile y graficamente . La linea può essere orizzontale , inclinato verso l'alto , verso il basso o inclinato a seconda della natura del rapporto tra x e y essendo graficamente .
5

Guarda la diffusione di punti sopra e sotto la linea predittiva retta . Se ci sono un numero uguale di punti sopra la linea, come di sotto di essa , la regressione lineare è appropriata per descrivere la relazione tra x e y essendo graficamente .
6

Cercare modelli di dispersement . Se i dati sono in cluster , una forma diversa da una linea retta , come una " U ", o se i punti dati non sono uniformemente dispersi sopra e sotto la linea predittiva retta , regressione lineare non è appropriato e modelli non lineari devono essere utilizzati .