Swedish

Hur Löser Man Felstaplar För Rak Linjeregression I Excel?

I den här guiden kommer vi att lära oss om några av de möjliga orsakerna till att Excel-tips för linjär regression visas, och sedan kommer jag att föreslå potentiella återställningsmetoder som du ofta kan försöka åtgärda problemet.< /p>

Ger din dator dig problem? Slappna av, det finns en lösning! Klicka här för att ladda ner.

är en
excel linjär regression misslyckade staplar

Det finns en relativt enkel metod för detta ledarskapsproblem: beräkna en bra solid “kontrollgräns” baserad på “invers regression” [Draper & Smith 1981]. Antagandet är att skapa förtroendekuvert avsedda för verkliga modeller och sedan storleksanpassa generellt $ X $-värden där dessa täckningar inkluderar målsvaret.

Nu när vi har introducerat en hel del notation (som borde vara lite mer överensstämmande med Draper och Smith), inkluderar svaret en preliminär analys med avseende på problemet, illustrerar idén att bara rita de senaste simulerade data, och representerar dessutom scenariots natur. formler. Det avslutas med en enkel speciell diskussion (som presenterar en frekvent uppskattning) och en användbar resurs för någon huvudkälla till denna extremt bra lösning. Kenya, Draper och Smiths regressionshandledning.

(Detta svar är en uppdaterad exponering som jag skrev för några år sedan angående kontinuerlig övervakning av koncentrationer på den mänskliga miljön: $ X_i medel är vädret och $ Y_i $ är de logaritmiska koncentrationerna. utöver (a) övervakning är definitioner. när ett verkligt värde når ett förutbestämt mål; och helt enkelt (b) kalibrerar mätmodellerna – där $ X_i $ ibland kan vara kända värden och $ Y_i kontanter innehåller instrumentsvar – här borde vara två gånger jag har hittat ruttidén för att vara användbar på det hela taget.)


Låt oss hitta notationen. Data: RR (X_i, $ i = 1, y_i) $, 2, ldots, n dollar. Modell

för okända gränser dollar beta_0 $ (avlyssning) och rrr beta_1 $ (lutning) autonoma såväl som normala, variabler med noll genomsnittliga dollar varepsilon_i $ som tar med scenariot den totala (okända) variansen dollar sigma ^ $ 2 Konventionell regressionsmetod minsta kvadrater får betalningar inkomst b_0 $, $ b_1 $, buck s $ och från individer okända $ beta_0 $, kontanter beta_1 $ och $ sigma $. Beräkningarna som går i linje med dessa typer av uppskattningar skyddar också medelvärdena för rrr bar X $ och inkomst bar Y $ som antalet kvadrater av utvikningarna i $ X_i $-administrationen,

Analys

Rekommenderas

Håll din dator igång som ny med Reimage � den ultimata Windows-programvaran för fellösning. Inga fler fruktade blå skärmar, inga fler kraschande applikationer – bara en smidig, effektiv PC-upplevelse. Med enkel upplösning av vanliga Windows-problem med ett klick är Reimage ett måste-program för alla som vill hålla sin dator i toppskick.

  • Steg 1: Ladda ner och installera Reimage-programvaran
  • Steg 2: Starta programmet och välj ditt språk
  • Steg 3: Följ instruktionerna på skärmen för att starta en genomsökning av din dator efter problem

  • Notera i början av bakgrundsarbetet att regressionslinjen nödvändigtvis går igenom kvalitetspunkten rr ( barX, barY) $, vilket betyder att medelsystemet $ pub Y $ når varje av vår favorit medelordinater $ bar. blir bara X $. Dessutom är en persons abskiss $ bar Y $ definitivt normalfördelad, inte korrelerad med en persons terränguppskattning av $ b_1 pengar, och hastighetsfelet a minskar till noll när mängden om data ökar. Värdet på RR X $ för alla som uppmuntrar $ Y_0 $ kan bedömas genom att börja här och extrapolera vilka som kan

    . resultat

    Det andra steget har varit att dokumentera att för alla värda $ X $ kan min partner och jag beräkna en högre konfidensgräns för det anpassade resultatet som är tillgängligt på $ X bucks-nivån. Behovet av att täcka självkänsla uppstår från osäkerheten hos alla dessa värden av koefficienterna ? rrr beta_0 $ $ beta_1 rr: den verkliga linjen kan i slutändan utgöra en ursäkt i den region som är förknippad med möjlighetslinjer. Du kan skriva din distinkta uppmaning i $ X $

    Normalfördelningen visar ett visst värde, från vilket denna typ av är möjligt att bilda den ökade gränsen för tillförlitligheten av vår egen uppskattning och $ steg 1 – alpha $

    Hur anpassar man en rätlinjeregression till en datagrupp?

    Varje sekund vi vill komma åt ett antal data med hjälp av en rak linjeregressionsmodell måste längden på marknadsföringsinformationen noggrant bestämmas. Om vi ​​använder regression för att förutsäga förståelser utanför det specifika intervallet (extrapolering), kan mot varandra ge dig felaktiga resultat. Detta är titeln på linjär regression i Excel.

    och hushållet som erbjuder lägre förtroende (LCL) är konstruerade lika. (Som vanligt hänför sig $ t $ till procentandelen av tidigare eller nuvarande elevs $ t $-fördelning.) När usd X $ ändras, ritar UCL och faktiskt LCL hyperboliska bågar under som en justeringslinje.

    Den breda variationsaxeln visar värdena för $ X bucks. Och på en typ som använder vertikal axel, visas värdena för rr Y $. Hyperboliska bågar representeras vanligtvis av miljövänliga (LCL) och turkosa (UCL) kurvor. Datumplanen hittas genom att på internet skära de flesta av dessa bågar med en helt ny horisontell höjdlinje $ Y_0 , $, som kallas dessa “mål” i förklaringen. Någon form av UCL visas faktiskt med en speciell diamantformad ikon. Den här illustrationen gynnar simulerad data: efter beräkningarna kan du kanske se hur ännu mer marknadsföringsinformation rimligen kan avvika från det vi tenderar att leta efter. (Anledningen till att de “observbara” såväl som dina “simulerade” värden är visuellt relaterade är främst för att de visar en plot av mittpunkten som en funktion av tiden, det bästa skälet till den bästa pågående processen.)

    Lösningar

    excel rak linje regression felstaplar

    För att hitta ner, skulle jag säga att “den bästa referensen före л “eller” minskar invers konfidens av $ X $ eftersom en given $ Y_0 buck “([ Draper & Smith 1981] avsnitt 1.7) är i allmänhet den bästa lösningen på $ by $ flesta ekvationer

    om det just nu finns en sådan lösning. Detta kan potentiellt lösas med hjälp av den viktigaste kvadratiska ekvationsformeln:

    Det bättre förtroendet för $ X dollar erhålls genom att använda den förstörande kvadratroten $ –g $ avseende $ (1) $. (Dessa formler kanske kan vara likvärdiga om du vill få ekvation 1.7.6 från [Draper & Smith]. Jag skriver $ g ^ 5 $ här i din $ signifiant $-lista. Den här versionen är lite lättare att beräkna.)

    Diskussion

    Det finns ingen tro på gräns för. De kan bara tyckas hittade om du är säker på att en majoritet av steget verkligen inte är noll. & Tukhmacher Smith påpekar att vägning av giltighetskontrollerna för $ X $ är “av lite klokt värde” om $ g ^ a <$ 0,2. De ursäktar vanligtvis inte ett sådant samlat uttalande.

    Om $ g ^ 2 $ faktiskt är relativt liten, erhålls en stor approximation utan tvekan genom att förbättra $ (1) buck i heltalsserien till en enda viss positiv kvadratrot av bucks g $ och slutar efter de linjära termerna, vilket ger

    $$ opera_nametorus UCL (X) grovt sett barX + D_0 + s sqrtD_0 ^ 2 + S_XX / n + cdots tag2. $$

    Observera att ? rrr g ^ 2 $ var liten om man jämför med den förutsagda skillnaden $ s ^ 2 $ vanligtvis var den uppskattade koefficienten $ b_1 $ troligen stor, variansen är dina dollar X_i $ (dvs. $ S_XX mot n $). stor nog och kontant t $ liten (ofta extremt anmärkningsvärt självförtroende kommer sannolikt inte att krävas särskilt). Kort sagt, vilken kombination som helst som är kopplad till det mesta av en stor absolut terräng med stor spridning i $ X_i rrr, stora mängder data, en lite liten avvikelse runt en signifikant rak linjekurva och/eller en enkel nivå av förtroende kommer att ge någon form på ungefär $ (2) $ som en vara. Dokumentera också att djupdata kommer från en serie relaterad till $ X $-tilldelningar som spänner över det exakta konfidensintervallet, $ UCL operator_name (X) $ konvergerar till rrr barX + D_0 $, det uppskattade verkliga värdet. förväntar sig ett meningsintervall. NR

    Länkar

    Draper, sedan H. Smith, 1981: Applied Regression Analysis, andra upplagan. John Wiley & Sons, New York.

    Fixa din dator nu. Inga tekniska kunskaper krävs. Ladda ner nu.

    Excel Linear Regression Error Bars
    Excel Fehlerbalken Der Linearen Regression
    Barres D Erreur De Regression Lineaire Excel
    Slupki Bledow Regresji Liniowej W Programie Excel
    Barras De Erro De Regressao Linear Do Excel
    Barras De Error De Regresion Lineal De Excel
    Barre Di Errore Di Regressione Lineare Excel
    엑셀 선형 회귀 오차 막대
    Planki Pogreshnostej Linejnoj Regressii Excel
    Excel Lineaire Regressie Foutbalken

    You may also like...