Régression

R Carré | Signification Valeurs F et P | Coefficients | Résidus

Cet exemple vous apprend à exécuter un analyse de régression linéaire dans Exceller et comment interpréter la sortie récapitulative.

Vous trouverez ci-dessous nos données. La grande question est : existe-t-il une relation entre la quantité vendue (sortie) et le prix et la publicité (entrée). En d'autres termes : peut-on prédire la quantité vendue si l'on connaît le prix et la publicité ?

1. Dans l'onglet Données, dans le groupe Analyse, cliquez sur Analyse des données.

Remarque : vous ne trouvez pas le bouton Analyse des données ? Cliquez ici pour charger le Complément d'outil d'analyse .

2. Sélectionnez Régression et cliquez sur OK.

3. Sélectionnez la plage Y (A1:A8). Il s'agit de la variable prédictive (également appelée variable dépendante).

4. Sélectionnez la plage X (B1:C8). Ce sont les variables explicatives (également appelées variables indépendantes). Ces colonnes doivent être adjacentes les unes aux autres.

5. Vérifiez les étiquettes.

6. Cliquez dans la zone Plage de sortie et sélectionnez la cellule A11.

7. Vérifiez les résidus.

8. Cliquez sur OK.

Excel produit la sortie récapitulative suivante (arrondie à 3 décimales).

R Carré

R Square est égal à 0,962, ce qui est un très bon ajustement. 96% de la variation de la quantité vendue s'explique par les variables indépendantes Prix et Publicité. Plus la valeur 1 est proche, mieux la ligne de régression (lire la suite) s'ajuste aux données.

comment entrer des exposants dans excel

Signification Valeurs F et P

Pour vérifier si vos résultats sont fiables (statistiquement significatifs), regardez Signification F (0,001). Si cette valeur est inférieure à 0,05, tout va bien. Si la signification F est supérieure à 0,05, il est probablement préférable d'arrêter d'utiliser cet ensemble de variables indépendantes. Supprimez une variable avec une valeur P élevée (supérieure à 0,05) et réexécutez la régression jusqu'à ce que la signification F tombe en dessous de 0,05.

La plupart ou toutes les valeurs P doivent être inférieures à 0,05. Dans notre exemple, c'est le cas. (0,000, 0,001 et 0,005).

Coefficients

La droite de régression est : y = Quantité vendue = 8536,214 -835,722 * Prix + 0,592 * Publicité. En d'autres termes, pour chaque augmentation de prix unitaire, la quantité vendue diminue de 835.722 unités. Pour chaque augmentation d'unité dans la publicité, la quantité vendue augmente de 0,592 unités. Ce sont des informations précieuses.

Vous pouvez également utiliser ces coefficients pour faire une prévision. Par exemple, si le prix est égal à 4 $ et que la publicité est égale à 3 000 $, vous pourriez être en mesure d'atteindre une quantité vendue de 8536,214 -835,722 * 4 + 0,592 * 3 000 = 6 970.

Résidus

Les résidus vous montrent à quelle distance les points de données réels sont des points de données prédits (à l'aide de l'équation). Par exemple, le premier point de données est égal à 8 500. En utilisant l'équation, le point de données prédit est égal à 8536,214 -835,722 * 2 + 0,592 * 2800 = 8523,009, ce qui donne un résidu de 8500 - 8523,009 = -23,009.

Vous pouvez également créer un nuage de points de ces résidus.