Conectați-vă cu Microsoft
Conectați-vă sau creați un cont
Salut,
Selectați un alt cont.
Aveți mai multe conturi
Alegeți contul cu care doriți să vă conectați.

Acest articol descrie sintaxa de formulă și utilizarea funcției LINEST în Microsoft Excel. Găsiți linkuri către mai multe informații despre crearea de diagrame și efectuarea unei analize de regresie în secțiunea Consultați și.

Descriere

Funcția LINEST calculează statistica pentru o linie utilizând metoda celor mai mici pătrate pentru a calcula o linie dreaptă care descrie cel mai bine datele și returnează o matrice care descrie acea linie. De asemenea, aveți posibilitatea să combinați LINEST cu alte funcții, pentru a calcula statisticile pentru alte tipuri de modele care sunt liniare în parametri necunoscuți, inclusiv seriile polinomiale, logaritmice, exponențiale și de puteri. Deoarece această funcție returnează o matrice de valori, ea trebuie introdusă ca o formulă de matrice. Acest articol conține instrucțiuni împreună cu exemple.

Ecuația pentru linie este:

y = mx + b

- sau -

y = m1x1 + m2x2 + ... + b

dacă există mai multe zone de valori x, unde valorile dependente y sunt o funcție de valorile x independente. Valorile m sunt coeficienți corespunzători fiecărei valori x, iar b este o valoare constantă. De reținut că y, x și m pot fi vectori. Matricea pe care o întoarce funcția LINEST este {mn;mn-1;...;m1;b}. LINEST mai poate întoarce și statistici de regresie adiționale.

Sintaxă

LINEST(valori_y_cunoscute, [valori_x_cunoscute], [const], [statistici])

Sintaxa funcției LINEST are următoarele argumente:

Sintaxă

  • valori_y_cunoscute    Obligatoriu. Este este setul de valori y pe care le cunoașteți deja din relația y = mx + b.

    • Dacă zona de valori_y_cunoscute este o singură coloană, fiecare coloană de valori_x_cunoscute se interpretează ca o variabilă separată.

    • Dacă zona de valori_y_cunoscute este conținută într-un singur rând, fiecare rând de valori_x_cunoscute se interpretează ca o variabilă separată.

  • valori_x_cunoscute    Opțional. Este un set de valori x pe care este posibil să le cunoașteți deja din relația y = mx + b.

    • Matricea de valori_x_cunoscute poate conține unul sau mai multe seturi de variabile. Dacă este utilizată o singură variabilă, atunci valori_y_cunoscute și valori_x_cunoscute pot fi zone de orice formă, atât timp cât au dimensiuni egale. Dacă sunt utilizate mai multe variabile, atunci valori_y_cunoscute trebuie să fie un vector (adică o zonă cu înălțimea de un rând sau cu lățimea de o coloană).

    • Dacă valori_x_cunoscute este omis, se consideră a fi matricea {1;2;3;...} care este de aceeași mărime cu valori_y_cunoscute.

  • const    Opțional. Este o valoare logică ce specifică dacă se impune valoarea 0 pentru constanta b.

    • Dacă const are valoarea TRUE sau se omite, b se calculează normal.

    • Dacă argumentul const este FALSE, b este setat la valoarea 0 și valorile m sunt ajustate pentru a respecta ecuația y = mx.

  • stat    Opțional. Este o valoare logică ce specifică dacă să întoarcă statistica de regresie adițională.

    • Dacă statistică este TRUE, LINEST întoarce statistica de regresie suplimentară; prin urmare, matricea returnată este {mn;mn-1,...,m1;b; sen,sen-1,...,se1,seb; r2,sey; F,df; ssreg,ssresid}.

    • Dacă stat este FALSE sau omis, LINEST întoarce numai coeficienții m și constanta b.

      Statisticile de regresie suplimentare sunt după cum urmează:

Statistica

Descriere

se1,se2,...,sen

Valorile de eroare standard pentru coeficienții m1,m2,...,mn.

seb

Valoarea de eroare standard pentru constanta b (seb = #N/A când const este FALSE).

r2

Coeficientul de determinare. Compară valorile y estimate și actuale și este cuprins în intervalul de la 0 la 1. Dacă este 1, există o corelație perfectă în eșantion (nu există nicio diferență între valorile y estimate și cele actuale). La cealaltă extremă, în cazul în care coeficientul de determinare este 0, ecuația regresiei nu ajută la estimarea unei valori y. Pentru informații despre cum se calculează2 , consultați "Observații" din continuarea acestui subiect.

sey

Eroarea standard pentru y estimat.

V

Statistica F sau valoarea F observată. Utilizați statistica F pentru a determina dacă relația observată între variabilele dependente și independente are loc din întâmplare.

df

Gradele de libertate. Utilizați gradele de libertate pentru a găsi valorile critice F dintr-un tabel statistic. Comparați valorile găsite în tabel cu statistica F returnată de funcția LINEST pentru a determina nivelul de încredere pentru model. Pentru informații despre cum se calculează df, consultați „Observații” mai departe în acest capitol. Exemplul 4de mai jos ilustrează cum se utilizează F și df.

ssreg

Suma de regresie a pătratelor.

ssresid

Suma reziduală a pătratelor. Pentru informații despre cum se calculează ssreg și ssresid, consultați „Observații" din acest articol.

Figura următoare arată ordinea în care sunt returnate statisticile de regresie adiționale.

O cheie a statisticilor de regresie

Observații

  • Descrieți orice dreaptă cu ajutorul pantei și a intersecției cu axa y:

    Pantă (m):
    Pentru a găsi panta unei linii, adesea scrisă ca m, luați două puncte pe linie, (x1,y1) și (x2,y2); panta este egală cu (y2 - y1)/(x2 - x1).

    Intersecția cu axa Y (b):
    Intersecția cu axa y a unei linii, adesea scrisă ca b, este valoarea lui y în punctul în care linia intersectează axa y.

    Ecuația unei drepte este y = mx + b. Odată ce cunoașteți valorile pentru m și b, aveți posibilitatea să calculați orice punct al liniei înlocuind valorile x sau y în ecuație. La fel de bine se poate utiliza și funcția TREND.

  • Când aveți o singură variabilă independentă x, puteți obține panta și intersecția cu axa y în mod direct, utilizând următoarele formule:

    Pantă:
    =INDEX(LINEST(known_y,known_x),1)

    Intersecția cu axa Y:
    =INDEX(LINEST(known_y,known_x),2)

  • Acuratețea liniei calculate de funcția LINEST depinde de gradul de împrăștiere din datele dvs. Cu cât sunt mai liniare datele, cu atât modelul liniar LINEST va fi mai neted. LINEST utilizează metoda celor mai mici pătrate pentru a determina cea mai bună aproximare a datelor. Când aveți o singură variabilă independentă x, calculele pentru panta m și intersecția b se bazează pe următoarele formule:

    Ecuație

    Ecuație

    unde x și y sunt mediile pentru eșantioane, adică, x = AVERAGE(valori_x_cunoscute) și y = AVERAGE(valori_y_cunoscute).

  • Funcțiile de aranjare a liniilor și curbelor LINEST și LOGEST pot calcula cea mai bună linie dreaptă sau curbă exponențială care se potrivește datelor dvs. Totuși, trebuie să decideți care dintre cele două rezultate corespund cel mai bine datelor dvs. Puteți calcula TREND(known_y,known_x) pentru o linie dreaptă sau GROWTH(known_y, known_x) pentru o curbă exponențială. Aceste funcții, fără argumentul new_x , returnează o matrice de valori y estimate de-a lungul acelei linii sau curbe la punctele de date reale. Apoi puteți compara valorile estimate cu valorile reale. Se recomandă să le creați o diagramă pentru o comparație vizuală.

  • În analizele de regresie, Excel calculează pentru fiecare punct pătratul diferenței dintre valoarea y estimată în punctul respectiv și valoarea y actuală. Suma pătratelor acestor diferențe este denumită sumă reziduală de pătrate, ssresid. Excel calculează apoi suma totală pătratelor, sstotal. Când const = TRUE sau este omis, suma totală a pătratelor este suma pătratelor diferențelor dintre valorile y efective și media valorilor y. Când const = FALSE, suma totală a pătratelor este suma pătratelor valorilor y efective (fără scăderea mediei valorilor y din fiecare valoare y). Apoi, suma de regresie a pătratelor, ssreg, se poate afla din: ssreg = sstotal - ssresid. Cu cât este mai mică suma reziduală a pătratelor, comparativ cu suma totală a pătratelor, cu atât este mai mare valoarea coeficientului de determinare, r2, care este un indicator al cât de bine explică relația dintre variabile ecuația rezultată din analiza de regresie. Valoarea r2 este egală cu ssreg/sstotal.

  • În unele cazuri, una sau mai multe dintre coloanele X (să presupunem că Y și X sunt în coloane) pot să nu aibă nicio valoare predictivă suplimentară în prezența celorlalte coloane X. Cu alte cuvinte, eliminarea unei coloane X sau a mai multor coloane poate duce la valori Y estimate la fel de precise. În acest caz, aceste coloane X redundante ar trebui omise din modelul de regresie. Acest fenomen se numește "coliniaritate", deoarece orice coloană X redundantă poate fi exprimată ca o sumă de multipli ai coloanelor X care nu sunt redundante. Funcția LINEST verifică colinearitatea și elimină toate coloanele X redundante din modelul de regresie atunci când le identifică. Coloanele X eliminate pot fi recunoscute în rezultatul LINEST ca având coeficienți 0 în plus față de valorile se 0. Dacă una sau mai multe coloane sunt eliminate ca redundante, df este afectat, deoarece df depinde de numărul de coloane X utilizate efectiv în scopuri predictive. Pentru detalii despre calculul df, consultați Exemplul 4. Dacă df este modificat, deoarece coloanele X redundante sunt eliminate, sunt afectate și valorile sey și F. Collinearity ar trebui să fie relativ rare în practică. Cu toate acestea, un caz în care este mai probabil să apară este atunci când unele coloane X conțin numai valorile 0 și 1 ca indicatori dacă un subiect dintr-un experiment este sau nu membru al unui anumit grup. Dacă const = TRUE sau este omis, funcția LINEST inserează efectiv o coloană X suplimentară cu toate cele 1 valori pentru a modela intersecția. Dacă aveți o coloană cu 1 pentru fiecare subiect dacă este masculin sau 0 dacă nu, și aveți și o coloană cu 1 pentru fiecare subiect dacă este feminin sau 0, această a doua coloană este redundantă, deoarece intrările din ea pot fi obținute din scăderea intrării din coloana "indicator masculin" din intrarea din coloana suplimentară a tuturor valorilor 1 adăugate de funcția LINEST .

  • Valoarea df se calculează ca mai jos atunci când nicio coloană X nu este eliminată din model datorită coliniarității: dacă există k coloane de valori_x_cunoscute și const = TRUE sau este omis, atunci df = n – k – 1. În cazul în care const= FALSE, atunci df = n - k. În ambele cazuri, fiecare coloană X eliminată datorită coliniarității mărește df cu 1.

  • Când introduceți o constantă matrice, (cum ar fi valori_x_cunoscute) ca argument, utilizați punct și virgulă (;) pentru separarea valorilor din același rând și bare verticale (|) pentru separarea rândurilor. Caracterele separatoare pot fi diferite, în funcție de setările regionale.

  • De reținut că valorile y estimate de ecuația de regresie pot să nu fie valide dacă ele se situează în afara intervalului de valori y pe care l-ați utilizat pentru a determina ecuația.

  • Algoritmul de bază utilizat în funcția LINEST diferă de algoritmul de bază din funcțiile SLOPE și INTERCEPT. Diferențele dintre acești algoritmi pot conduce la rezultate diferite când datele sunt nedeterminate și colineare. De exemplu, dacă punctele de date ale argumentului valori_y_cunoscute sunt 0 și punctele de date ale argumentului valori_x_cunoscute sunt 1:

    • LINEST returnează valoarea 0. Algoritmul funcției LINEST este proiectat să returneze valorile rezonabile pentru datele colineare și, în acest caz, se poate găsi cel puțin un răspuns.

    • SLOPE și INTERCEPT returnează o #DIV/0! eroare. Algoritmul funcțiilor SLOPE și INTERCEPT este proiectat să caute un singur răspuns, iar în acest caz pot exista mai multe răspunsuri.

  • În plus față de utilizarea LOGEST pentru a calcula statistici pentru alte tipuri de regresii, aveți posibilitatea să utilizați LINEST pentru a calcula alte tipuri de regresii, introducând funcții ale variabilelor x și y ca serii x și y pentru LINEST. De exemplu, următoarea formulă:

    =LINEST(yvalori; xvalori^COLUMN($A:$C))

    funcționează atunci când aveți o singură coloană de valori y și o singură coloană de valori x pentru a calcula aproximarea cubică (polinomială de ordinul trei) a formulei:

    y = m1*x + m2*x^2 + m3*x^3 + b

    Aveți posibilitatea să reglați această formulă pentru a calcula alte tipuri de regresii, însă în unele cazuri este necesară reglarea valorilor de ieșire și a altor statistici.

  • Valoarea F-test returnată de funcția LINEST diferă de valoarea F-test returnată de funcția LINEST. LINEST returnează statistica F, în timp ce FTEST returnează probabilitatea.

Exemple

Exemplul 1  - panta și intersecția cu axa Y

Copiați datele din exemplele din următorul tabel și lipiți-le în celula A1 a noii foi de lucru Excel. Pentru ca formulele să afișeze rezultate, selectați-le, apăsați pe F2, apoi pe Enter. Dacă trebuie, puteți ajusta lățimea coloanei pentru a vedea toate datele.

Y cunoscut

X cunoscut

1

0

9

4

5

2

7

3

Rezultat (pantă)

Rezultat (intersecția cu axa y)

2

1

Formulă (formulă matrice în celulele A7:B7)

=LINEST(A2:A5;B2:B5;;FALSE)

Exemplul 2 - Regresie liniară simplă

Copiați datele din exemplele din următorul tabel și lipiți-le în celula A1 a noii foi de lucru Excel. Pentru ca formulele să afișeze rezultate, selectați-le, apăsați pe F2, apoi pe Enter. Dacă trebuie, puteți ajusta lățimea coloanei pentru a vedea toate datele.

Lună

Vânzări

1

3.100 lei

2

4.500 lei

3

4.400 lei

4

5.400 lei

5

7.500 lei

6

8.100 lei

Formulă

Rezultat

=SUM(LINEST(B1:B6; A1:A6)*{9;1})

11.000 lei

Calculează estimarea vânzărilor pentru luna a noua, pe baza vânzărilor din lunile de la 1 la 6.

Exemplul 3 - Regresie liniară multiplă

Copiați datele din exemplele din următorul tabel și lipiți-le în celula A1 a noii foi de lucru Excel. Pentru ca formulele să afișeze rezultate, selectați-le, apăsați pe F2, apoi pe Enter. Dacă trebuie, puteți ajusta lățimea coloanei pentru a vedea toate datele.

Suprafață (x1)

Birouri (x2)

Intrări (x3)

Vârsta (x4)

Valoare estimată (y)

2310

2

2

20

142.000 lei

2333

2

2

12

144.000 lei

2356

3

1,5

33

151.000 lei

2379

3

2

43

150.000 lei

2402

2

3

53

139.000 lei

2425

4

2

23

169.000 lei

2448

2

1,5

99

126.000 lei

2471

2

2

34

142.900 lei

2494

3

3

23

163.000 lei

2517

4

4

55

169.000 lei

2540

2

3

22

149.000 lei

-234,2371645

13,26801148

0,996747993

459,7536742

1732393319

Formulă (formulă matrice dinamică introdusă în A19)

=LINEST(E2:E12;A2:D12;TRUE;TRUE)

Exemplul 4 - Utilizarea statisticilor F și r2

În exemplul precedent, coeficientul de determinare sau r2, este 0,99675 (vedeți celula A17 din rezultatul pentru LINEST), ceea ce ar indica o relație puternică între variabilele independente și prețul de vânzare. Aveți posibilitatea să utilizați statistica F pentru a determina dacă aceste rezultate, cu un coeficient r2 atât de mare, au apărut din întâmplare.

Presupuneți pentru moment că de fapt nu există nicio relație între variabile și că relația strânsă demonstrată de analiza statistică se bazează pe faptul că ați ales un eșantion norocos de 11 clădiri. Termenul „Alfa” este utilizat pentru probabilitatea de a trage concluzia eronată că ar exista o relație.

Valorile F și df din rezultatul funcției LINEST pot fi utilizate pentru a evalua probabilitatea ca o valoare F mai mare să apară din întâmplare. F poate fi comparat cu valorile critice din tabelele de distribuție F publicate sau funcția FDIST din Excel poate fi utilizată pentru a calcula probabilitatea ca o valoare F mai mare să apară din întâmplare. Repartiția F corespunzătoare are gradele de libertate v1 și v2. Dacă n este numărul de repere de date și const = TRUE sau omis, atunci v1 = n – df – 1 și v2 = df. (Dacă const = FALSE, atunci v1 = n – df și v2 = df.) Funcția FDIST - cu sintaxa FDIST(F,v1,v2) - va returna probabilitatea ca o valoare F mai mare să apară din întâmplare. În acest exemplu, df = 6 (celula B18) și F = 459,753674 (celula A18).

Presupunând o valoare Alfa de 0,05, v1 = 11 – 6 – 1 = 4 și v2 = 6, nivelul critic al lui F este 4,53. Deoarece F = 459,753674 este mult mai mare decât 4,53, este extrem de puțin probabil ca o valoare F atât de mare să fi apărut din întâmplare. (Cu Alfa = 0,05, ipoteza că nu există nicio relație între known_y și known_x trebuie respinsă atunci când F depășește nivelul critic, 4,53.) Puteți utiliza funcția FDIST din Excel pentru a obține probabilitatea ca o valoare F atât de mare să fi apărut din întâmplare. De exemplu, FDIST(459,753674, 4; 6) = 1,37E-7, o probabilitate extrem de mică. Puteți concluziona, fie găsind nivelul critic de F dintr-un tabel, fie utilizând funcția FDIST , că ecuația de regresie este utilă pentru estimarea valorii evaluate a clădirilor de birouri din această zonă. Rețineți că este esențial să utilizați valorile corecte pentru v1 și v2 care au fost calculate în paragraful precedent.

Exemplul 5 - Calculul statisticii t

Un alt test ipotetic va determina dacă fiecare coeficient al pantei este util la estimarea valorii unei clădiri de birouri de la Exemplul 3. De exemplu, pentru a testa importanța statistică a coeficientului de vârstă, împărțiți -234,24 (coeficientul pantei vârstei) la 13,268 (eroarea standard estimată pentru coeficienții de vârstă din celula A15). Mai jos este calculată valoarea observată t:

t = m4 ÷ se4 = -234.24 ÷ 13.268 = -17.7

Dacă valoarea absolută a lui t este suficient de mare, se poate concluziona că coeficientul pantei este util pentru estimarea valorii unei clădiri de birouri din Exemplul 3. Tabelul de mai jos arată valorile absolute ale celor 4 valori t observate.

Dacă consultați un tabel dintr-un manual de statistică, veți găsi că t critic, bi-alternativă, cu 6 grade de libertate și Alfa = 0,05 este 2,447. Această valoare critică poate fi de asemenea găsită utilizând funcția TINV din Excel. TINV(0.05;6) = 2,447. Deoarece valoarea absolută a lui t (17,7) este mai mare decât 2,447, vârsta reprezintă o variabilă importantă pentru estimarea valorii stabilite pentru o clădire de birouri. Fiecare dintre celelalte variabile independente poate fi testată pentru semnificația sa statistică în mod asemănător. În continuare se dau valorile t observate pentru fiecare variabilă independentă.

Variabilă

valoarea t observată

Suprafața utilă

5,1

Număr de birouri

31,3

Număr de intrări

4,8

Vârsta

17,7

Aceste variabile au toate valori absolute mai mari decât 2,447; în consecință, toate variabilele utilizate în ecuația de regresie sunt utile pentru estimarea valorii stabilite pentru clădirile de birouri din acea zonă.

Aveți nevoie de ajutor suplimentar?

Doriți mai multe opțiuni?

Explorați avantajele abonamentului, navigați prin cursurile de instruire, aflați cum să vă securizați dispozitivul și multe altele.

Comunitățile vă ajută să adresați întrebări și să răspundeți la întrebări, să oferiți feedback și să primiți feedback de la experți cu cunoștințe bogate.

Au fost utile aceste informații?

Cât de mulțumit sunteți de calitatea limbajului?
Ce v-a afectat experiența?
Apăsând pe Trimitere, feedbackul dvs. va fi utilizat pentru a îmbunătăți produsele și serviciile Microsoft. Administratorul dvs. IT va avea posibilitatea să colecteze aceste date. Angajamentul de respectare a confidențialității.

Vă mulțumim pentru feedback!

×