Utföra komplexa dataanalyser med Analysis ToolPak

Viktigt!: Den här artikeln är maskinöversatt, se ansvarsfriskrivningen. Den engelska versionen av den här artikeln finns här för din referens.

Om du vill skapa komplexa statistiska eller tekniska analyser kan du spara både tid och kraft genom att använda Analysis ToolPak. Du anger bara informationen och parametrarna för varje analys så används lämpliga statistiska eller tekniska makrofunktioner automatiskt för att beräkna och visa resultatet i en utdatatabell. Med vissa verktyg kan du förutom utdatatabellerna skapa diagram.

Dataanalysfunktionerna kan användas endast i ett kalkylblad i taget. När du utför dataanalyser i grupperade kalkylblad visas resultatet i det första kalkylbladet och tomma formaterade tabeller visas i de andra kalkylbladen. Använd analysverktyget i varje kalkylblad om du vill utföra dataanalyser i alla kalkylblad.

Analysis ToolPak innehåller de verktyg som beskrivs i följande avsnitt. Om du vill få åtkomst till dessa verktyg klickar du på Dataanalys i gruppen Analys på fliken Data. Om kommandot Dataanalys inte är tillgängligt måste du läsa in tilläggsprogrammet Analysis ToolPak.

  1. Klicka på fliken Arkiv, klicka på Alternativ och klicka sedan på kategorinTillägg.

    Om du använder Excel 2007, klicka på Microsoft Office-knappen Bild av Office-knappen och klicka sedan på Excel-alternativ

  2. Markera Excel-tillägg i rutan Hantera och klicka på OK.

    Om du använder Excel för Mac, i Arkiv-menyn går du till Verktyg > Lägg till Excel - modulerna

  3. I Tillägg markerar du kryssrutan Analysis ToolPak och klickar sedan på OK.

    • Om Analysis ToolPak inte visas i rutan Tillgängliga tilläggsmakron klickar du på Bläddra och letar upp tillägget.

    • Om ett meddelande visas som anger att Analysis ToolPak inte är installerat på datorn klickar du på Ja för att installera tillägget.

Obs!: Om du vill inkludera VBA-funktioner (Visual Basic for Application) för Analysis ToolPak kan du läsa in tilläggsprogrammet Analysis ToolPak - VBA på samma sätt som du läser in Analysis ToolPak. Markera kryssrutan Analysis ToolPak - VBA i rutan Tillgängliga tilläggsmakron.

Med Anova-analysverktygen kan du utföra olika typer av variansanalyser. Vilket verktyg du bör använda beror på antalet faktorer och antalet befintliga observationer för de populationer som du vill undersöka.

Anova: En faktor

Med det här verktyget kan du utföra en enkel variansanalys på data från två eller fler sampel. Analysen testar hypotesen att varje sampel kommer från samma underliggande sannolikhetsfördelning mot den alternativa hypotesen att den underliggande sannolikhetsfördelningen inte är samma för alla sampel. Om det bara finns två sampel kan funktionen TTEST användas. Med fler än två sampel finns det ingen praktisk generalisering av TTEST, och i dessa sammanhang kan Anova-modellen användas i stället.

Anova: Två faktorer med reproducering

Det här analysverktyget är praktiskt när informationen kan klassificeras i två dimensioner. I ett försök som mäter höjden på växter kan växterna exempelvis tilldelas olika typer av växtnäring (t.ex. A, B, C) och kan dessutom odlas i olika temperaturer (t.ex. låg, hög). För vart och ett av de sex möjliga paren {växtnäring, temperatur} finns det ett gemensamt antal observationer av växtens höjd. Med det här Anova-verktyget kan du undersöka:

  • Om växtens höjd för olika typer av växtnäring kommer från samma underliggande population. Temperaturfaktorn ignoreras vid den här analysen.

  • Om höjden på växter som odlats vid olika temperaturnivåer kommer från samma underliggande population. Växtnäringsfaktorn ignoreras vid den här analysen.

Om, med beaktande av de effekter som kan härledas från olika typer av växtnäring i den första punkten och från olika temperaturer i den andra punkten, de sex sampel som representerar alla möjliga värdepar {växtnäring, temperatur} kommer från samma population. Den alternativa hypotesen antar att det finns kombinationseffekter av {växtnäring, temperatur} som dominerar över skillnader som beror på enbart växtnäring eller enbart temperatur.

Indataintervall för Anova-verktyget

Anova: Två faktorer utan reproducering

Det här analysverktyget är praktiskt om informationen kan klassificeras i två dimensioner, precis som vid två faktorer med reproducering. För det här verktyget antas det emellertid att det bara finns en observation för varje par av mätdata (t.ex. varje {växtnäring, temperatur} i exemplet ovan).

Du kan använda funktionerna KORREL och PEARSON om du vill beräkna korrelationskoefficienten mellan två mätvariabler när det finns N observationer för varje variabel. (Om någon av observationerna för en individ i populationen saknas ignoreras individen.) Analysverktyget för korrelation är särskilt användbart när det finns mer än två mätvariabler för samtliga N individer. Verktygets utdata är en tabell, en korrelationsmatris, som visar värdet för KORREL (eller PEARSON) för varje möjligt par av mätvariabler.

Korrelationskoefficienten är, liksom kovariansen, ett mått på hur två variabler "varierar tillsammans". Till skillnad från kovariansen är korrelationskoefficienten normaliserad så att värdet inte beror på vilka enheter som de två mätvariablerna uttrycks i. (Om två mätvariabler exempelvis är vikt och höjd, påverkas inte korrelationskoefficienten om höjdenheten ändras från tum till centimeter.) Korrelationskoefficientens värde ligger alltid inom intervallet -1 till +1.

Du kan använda analysverktyget för korrelation om du vill undersöka varje par av mätvariabler och avgöra om de två variablerna har ett samband,   d.v.s. om stora värden för den ena variabeln vanligtvis associeras med stora värden för den andra (positiv korrelation), om små värden för den ena variabeln motsvaras av stora värden för den andra (negativ korrelation) eller om det inte finns något samband mellan värdena för de båda variablerna (korrelation nära 0 (noll)).

Analysverktygen för kovarians och korrelation kan användas i samma beräkning, om det finns N skilda mätvariabler för observationer av en mängd individer. Båda verktygen returnerar en utdatatabell, en matris, som visar korrelationen eller kovariansen mellan varje par av mätvariabler. Skillnaden är att korrelationskoefficienten är normaliserad så att värdet alltid ligger inom intervallet -1 och +1. Motsvarande kovarianser är inte normaliserade. Både korrelationskoefficienten och kovariansen är mått på hur två variabler \ldblquote varierar tillsammans".

Med analysverktyget för kovarians kan du beräkna värdet av funktionen KOVAR för varje par av mätvariabler. (Du kan använda funktionen KOVAR direkt i stället för kovariansverktyget om det bara finns två mätvariabler, d.v.s. N=2.) Posten på rad i, kolumn i i utdatamatrisen som returneras av verktyget är kovariansen för den i:te mätvariabeln i relation till sig själv, d.v.s. populationsvariansen för den variabeln, som kan beräknas med funktionen VARIANSP..

Du kan använda analysverktyget för kovarians om du vill undersöka varje par av mätvariabler och avgöra om de två mätvariablerna har ett samband,   d.v.s. om stora värden för den ena variabeln vanligtvis associeras med stora värden för den andra (positiv korrelation), om små värden för den ena variabeln motsvaras av stora värden för den andra (negativ korrelation) eller om det inte finns något samband mellan värdena för de båda variablerna (korrelation nära 0 (noll)).

Analysverktyget för beskrivande statistik genererar en rapport med endimensionell statistik för data i indataområdet och ger information om datas centrala tendens och variabilitet.

Med analysverktyget för exponentiell utjämning kan du förutsäga ett värde som baseras på en prognos från den föregående perioden (prognosen justeras för fel i föregående prognos). Metoden använder en utjämnande konstant, a, vars storlek bestämmer hur väl prognoser svarar mot fel i föregående prognoser.

Obs!: Värden mellan 0,2 och 0,3 är rimliga utjämningskonstanter. Dessa värden anger att den aktuella prognosen ska justeras med mellan 20 och 30 procent för fel i föregående prognos. Större konstanter ger snabbare gensvar men kan ge upphov till felaktiga projektioner. Mindre konstanter kan resultera i stora glapp mellan prognosvärden.

Analysverktyget F-test: Två sampel antar olika varianser utför ett två-sampel F-test som jämför två populationsvarianser.

Du kan exempelvis använda verktyget F-test för tidsvärden från en simtävling mellan två lag. Verktyget testar hypotesen att de båda samplen kommer från populationer med samma varianser mot den alternativa hypotesen som antar att varianserna inte är samma i de underliggande populationerna.

Verktyget används för att beräkna värdet f av en F-statistik (eller F-kvot). Om värdet för f ligger nära 1 tyder det på att varianserna i de underliggande populationerna är lika. Om f < 1 i utdatatabellen, returnerar "P(F <= f) ensidig" sannolikheten att observera ett värde i F-statistiken som är mindre än f när populationsvarianserna är lika, och "F-kritisk ensidig" anger det kritiska värdet som är mindre än 1 för angiven signifikansnivå (alfa). Om f > 1, returnerar "P(F <= f) ensidig" sannolikheten att observera ett värde i en F-statistik som är större än f när populationsvarianserna är lika, och "F-kritisk ensidig" anger det kritiska värdet som är större än 1 för alfa.

Verktyget för Fourieranalys löser problem i linjära system och analyserar periodiska data. Fourieranalysverktyget transformerar data med snabb fouriertransform (FFT). Det här verktyget stöder också inverterade transformationer, där transformerade datas invers returnerar ursprungliga data.

Indata- och utdataintervall för Fourieranalys

Analysverktyget för histogram beräknar individuella och kumulativa frekvenser för ett cellområde med data och datafack. Verktyget genererar data för antalet förekomster av ett värde i en datamängd.

Du kan exempelvis bestämma betygsfördelningen i bokstavskategorier för en klass med 20 elever. Ett histogram illustrerar gränserna för betygsgraderna och antalet betyg mellan den lägsta och den aktuella gränsen. Det vanligast förekommande betyget utgör typläget.

Tips: I Excel 2016 kan du nu skapa histogram och pareto-diagram.

Analysverktyget för glidande medelvärden förutsäger värden i prognosperioden, baserat på variabelns medelvärde över ett visst antal föregående perioder. Ett glidande medelvärde ger trendinformation som inte skulle upptäckas i ett enkelt medelvärde. Använd det här verktyget för att förutsäga försäljning, lagerhållning och andra trender. Varje prognosvärde baseras på följande formel:

Formel för beräkning av glidande medelvärden

där:

  • N är antalet tidigare perioder som ska tas med i det glidande medelvärdet

  • A j är det sanna värdet vid tiden j

  • F j är det förutsagda värdet vid tiden j

Med analysverktyget för slumptalsgenerering kan du fylla ett område med oberoende slumptal från en av flera fördelningar. Du kan använda det här verktyget om du vill beskriva individer i en population med hjälp av en sannolikhetsfördelning. Du kan exempelvis använda en normalfördelning för att beskriva individernas längd i en population eller använda en Bernoulli-fördelning med två möjliga resultat för att beskriva populationen av resultat från slantsingling.

Med analysverktyget för rang och percentil kan du returnera en tabell som innehåller ordningstal och procentuell rang för varje värde i en datamängd. Du kan använda verktyget om du vill analysera den relativa positionen för värdena i en datamängd. Verktyget använder funktionerna RANG.EKV och PROCENTRANG.INK. Om du vill ta hänsyn till identiska värden i analysen använder du funktionen RANG.EKV som ger identiska värden samma rang, eller funktionen RANG.MED som returnerar den genomsnittliga rangen för identiska värden.

Med regressionsanalysverktyget kan du utföra en linjär regressionsanalys baserat på "minsta kvadrat"-metoden för att anpassa en linje genom en observationsmängd. Du kan använda det här verktyget om du vill analysera hur en enstaka beroende variabel påverkas av värdet i en eller flera oberoende variabler. Du kan exempelvis analysera hur en idrottsmans prestationsförmåga påverkas av faktorer som ålder, längd och vikt. Du kan fördela måttet på prestationsförmågan till var och en av de fyra faktorerna baserat på en mängd prestationsdata, och sedan använda regressionsresultatet för att förutsäga en ny, otestad idrottsmans prestationsförmåga.

Verktyget för regressionsanalys använder funktionen REGR.

Analysverktyget för sampling används för att skapa ett sampel från en population genom att indataområdet behandlas som en population. Om populationen är för stor för att behandlas eller illustreras i ett diagram kan du använda ett representativt sampel. Du kan även skapa ett sampel som bara innehåller värden från en del av cykeln om du tror att indata är periodiska. Om indataområdet exempelvis innehåller kvartalsförsäljningssiffror, kan sampling med en periodicitet på fyra placera värden från samma kvartal i utdataområdet.

Med dessa analysverktyg kan du testa om populationsmedelvärdena för samplen är lika. De tre verktygen gör olika antaganden: att populationsvarianserna är lika, att populationsvarianserna inte är lika, samt att båda värdena representerar mätdata från samma individ, men före och efter behandling.

Alla tre verktygen nedan används för att beräkna värdet på en t-statistik, t, som visas som "t-stat" i utdatatabellerna. Beroende på vilka data som används kan t vara större eller mindre än noll. Om t < 0, och under antagandet att de underliggande populationerna har samma medelvärde, returnerar "P(T <= t) ensidig" sannolikheten att observera ett värde i t-statistiken som är mer negativt än t. Om t >=0 returnerar "P(T <= t) ensidig" sannolikheten att observera ett värde i t-statistiken som är mer positivt än t. "t kritiskt ensidig" anger brytpunkten där sannolikheten att observera ett värde i t-statistiken som större än eller lika med "t kritiskt ensidig" är alfa.

"P(T <= t) tvåsidig" returnerar sannolikheten att observera ett värde i t-statistiken med ett absolutvärde som är större än t. "P kritiskt tvåsidig" anger brytpunkten där sannolikheten att observera ett värde i t-statistiken med ett absolutvärde som är större än "P kritiskt tvåsidig" är alfa.

t-Test: Parat två-sampel för medelvärde

Du kan använda ett parat test när det finns naturliga par för observationerna i samplen, t.ex. när en sampelgrupp testas två gånger , före och efter ett experiment. Det här analysverktyget och dess formel utför ett t-test av typen parat två-sampel för att avgöra om observationer före och efter en behandling kan antas komma från populationer med samma populationsmedelvärde. Den här typen av t-test antar inte att de båda populationernas varians är lika.

Obs!: Det här verktyget kan bland annat returnera resultat av typen "parad varians", som är ett ackumulerat mått på spridningen runt medelvärdet, härlett från följande formel.

Formel för beräkning av polärvarians

t-Test: två sampel antar lika varians

Med det här analysverktyget kan du utföra ett test av typen två-sampel t-test. Den här typen av t-test antar att båda datamängderna kommer från populationer med samma varians och kallas även för homoskedastiskt t-test. Du kan använda den här typen av t-test om du vill avgöra om de båda samplen kan antas komma från populationer med samma populationsmedelvärde.

t-Test: två sampel antar olika varianser

Med det här analysverktyget kan du utföra ett två-sampel t-test. Den här typen av t-test antar att de båda datamängderna kommer från populationer med olika varians och kallas även för heteroskedastiskt t-test. På samma sätt som i fallet ovan (med lika varians) kan du använda den här typen av t-test om du vill avgöra om två sampel kan antas komma från populationer med samma populationsmedelvärden. Använd det här testet om det finns olika individer i de båda samplen. Använd det parade testet (se exemplet nedan) om det finns en enda uppsättning individer och de båda samplen representerar mätningar för respektive individ före och efter behandling.

Använd nedanstående formel när du vill bestämma det statistiska värdet för testet t.

Formel för t-värdesberäkning

Följande formel används för att beräkna frihetsgraderna, df. Eftersom beräkningen sällan returnerar ett heltal avrundas df-värdet till närmaste heltal för att erhålla ett kritiskt värde från t-tabellen. Excel-funktionen TTEST använder det beräknade df-värdet utan avrundning eftersom det går att beräkna ett värde för TTEST med ett df-värde som inte är ett heltal. De här skillnaderna i beräkningen av frihetsgrader innebär att TTEST och verktyget t-test ger olika resultat i fall med olika varians.

Formel för approximering av frihetsgrader

Med det här analysverktyget kan du utföra ett två-sampel z-test för medelvärden med kända varianser. Det här verktyget används ofta för att testa hypotesen att det inte finns någon skillnad mellan två populationsmedelvärden mot antingen ensidiga eller tvåsidiga alternativa hypoteser. Om varianserna inte är kända bör funktionen ZTEST användas i stället.

När du använder verktyget z-test måste verktygets utdata tolkas med omsorg. "P(Z <= z) ensidig" innebär egentligen P(Z >= ABS(z)), d.v.s. sannolikheten att ett z-värde ligger längre från 0 i samma riktning som det observerade z-värdet när det inte finns någon skillnad mellan populationsmedelvärdena. "P(Z <= z) tvåsidig" betyder egentligen P(Z >= ABS(z) eller Z <= -ABS(z)), d.v.s. sannolikheten att ett z-värde ligger längre från 0 i endera riktning än det observerade z-värdet när det inte finns någon skillnad mellan populationsmedelvärdena. Det tvåsidiga resultatet är bara det ensidiga resultatet multiplicerat med 2. Verktyget z-test kan också användas i samband med hypotesen att det finns ett specifikt värde som inte är noll för skillnaden mellan de båda populationsmedelvärdena. Du kan till exempel använda det här testet för bestämma skillnader i prestationsförmåga mellan två bilmodeller.

Behöver du mer hjälp?

Du kan alltid fråga en expert i Excel Tech Community, få support i Answers-communityn eller föreslå en ny funktion eller förbättringar på Excel User Voice.

Obs!: Ansvarsfriskrivning för maskinöversättning: Den här artikeln har översatts av ett datorsystem utan mänsklig inblandning. Microsoft erbjuder dessa maskinöversättningar för att hjälpa icke engelskspråkiga användare att ta del av information om Microsofts produkter, tjänster och tekniker. Eftersom artikeln är maskinöversatt kan den innehålla fel i ordval, syntax och grammatik.

Mer information finns i

Skapa ett histogram i Excel 2016

Skapa ett Paretodiagram i Excel 2016

Titta på en video om du vill installera och aktivera Analysis Toolpak och Problemlösaren - tillägg

Tekniska funktioner (referens)

Statistik funktioner (referens)

Översikt över formler i Excel

Hur du undviker felaktiga formler

Hitta och korrigera fel i formler

Excel-kortkommandon och funktionstangenter

Excel-funktioner (alfabetisk ordning)

Excel-funktioner (efter kategori)

Utöka dina kunskaper
Utforska utbildning
Få nya funktioner först
Anslut till Office Insiders

Hade du nytta av den här informationen?

Tack för din feedback!

Tack för din feedback! Det låter som att det kan vara bra att koppla dig till en av våra Office-supportrepresentanter.

×