excel表格得出的回归结果怎么看

1.excel 多元回归结果怎么看

多元回归的分析流程和一元回归的流程基本一致，原理也大致相同。

1、在建立回归方程后，先要进行统计分析；

2、考察建立的模型是否效果显著，记录回归效果的度量结果；

3、考察各个自变量效应是否都显著，然后进行残差分析。

4、这些分析的结果归纳起来，就是综合考虑并判断：

(1)模型与数据拟合得则么样？

(2)是否模型还有改进的余地？

5、修改模型后，要再次进行回归分析；

6、模型满意之后，还要再考虑数据中是否有与模型有较大偏差的点（异常点或强影响点）。

7、如果有这些点，需要考虑如何处置，通常需要重新检查这些点的来源和有效性。

以下是针对EXCEL提供的多元回归分析的结果的说明演示：

2.用Excel进行回归分析后得出的数据怎么看???不懂呀

按F1，输入LINEST，得到如下解释：。

..，附加回归统计值如下：统计值说明se1,se2,。,sen系数 m1,m2,。

,mn 的标准误差值。seb常量 b 的标准误差值（当 const 为 FALSE 时，seb = #N/A）。

r2判定系数。y 的估计值与实际值之比，范围在 0 到 1 之间。

如果为 1，则样本有很好的相关性，y 的估计值与实际值之间没有差别。相反，如果判定系数为 0，则回归公式不能用来预测 y 值。

有关如何计算 r2 的信息，请参阅本主题下文中的“说明”。seyY 估计值的标准误差。

FF 统计或 F 观察值。使用 F 统计可以判断因变量和自变量之间是否偶尔发生过可观察到的关系。

df自由度。用于在统计表上查找 F 临界值。

将从表中查得的值与 LINEST 函数返回的 F 统计值进行比较可确定模型的置信区间。有关如何计算 df 的信息，请参阅本主题下文中的“说明”。

示例 4 说明了 F 和 df 的用法。ssreg回归平方和。

ssresid残差平方和。有关如何计算 ssreg 和 ssresid 的信息，请参阅本主题下文中的“说明”。

下面的图示显示了附加回归统计值返回的顺序。 图片没能粘贴上来。

3.Excel 回归结果分析怎么解读?

这个结果表明，X和Y之间存在显著的线性关系，X对Y的影响是显著的。

这里一共有三张表，第一张表是回归拟合优度的结果，一元回归看R square值，这个结果是0.0057，表明拟合的结果不是很好，意思就是在Y的总变异中，X能解释的只占了0.5%左右。第二张表是线性关系显著性检验结果，也就是说检验X和Y之间的关系是不是线性的，结果看最后一列，这个值是6.08E-11，也就是6.08乘以10的负11次方，这个结果与显著性水平0.05比较，很显然要远远小于0.05，说明线性关系是显著的。

最后一张表是回归系数的显著性检验结果，从中可以得到回归方程的表达式，表达式为Y=1.7879+0.11299X，回归系数的显著性看P-value那一列，0.11299对于的p值是6.08E-11，也是远小于显著性水平0.05，说明自变量的回归系数是显著的，表示的是自变量没增加1个单位，Y平均增加0.11299个单位。截距项一般不解释，也不用管它是不是显著。

多元回归和一元回归类似。

4.关于excel进行两种数据的回归分析,回归后的结果谁能告诉我这些代表

Multiple R：对应的数据是相关系数 R Square：对应的数值是测定系数，或称拟合优度，它是相关系数的平方 Adjusted R Square：对应的是校正测定系数，校正公式为R_a=1-((n-1)(1-R^2))/(n-m-1)=1-(n-1)(1-R^2)/v， 其中，n为样本数，你这里为15, m为变量数，你这里为1, v为自由度（df）= n-m-1=13 标准误差：计算公式为 观测值：对应的是样本数目n=15 df：自由度 SS：误差平方和 Intercept：截距，即常数项 X Variable 1：就是你输入的X变量 Coefficients：系数 t Stat：统计量t值，用于对模型参数的检验，需要查表，是回归系数和标准误差的比值，F=t^2，你可以验算一下 P-value：对应的参数是P值，当P小于0.05时，可以认为模型参数在0.05的水平上显著，或者置信度达到95%以上；当P小于0.01时，可以认为模型参数在0.01的水平上显著，或者置信度达到99%以上。

Lower 95%、Upper 95%、下限 95.0%、上限 95.0%：给出置信度为95%以上的回归系数的误差上限和下限（英文版和中文版）。 RESIDUAL OUTPUT：残差结果输出，下面的表中给出的即是残差和标准残差值 PROBABILITY OUTPUT：概率输出结果，你的图中给出的即是因变量原始数据从小到大的排序结果。

5.面板数据回归分析结果看不懂

我给你解读一份stata的回归表格吧，应该有标准表格的所有内容了，因为你没有给范例，……不过我们考试基本就是考stata或者eview的输出表格，它们是类似的。

X变量：教育年限Y变量：儿女数目各个系数的含义：左上列：Model SS是指计量上的SSE，是y估计值减去y均值平方后加总，表示的是模型的差异Model df是模型的自由度，一般就是指解释变量X的个数，这里只有一个Residual SS 和df 分别是残差平方和以及残差自由度 N-K-1（此处K=1）=17565Total SS 和 df分别是y的差异（y减去y均值平方后加总）以及其自由度N-1=17566MS都是对应的SS除以df，表示单位的差异右上列：Number of obs是观测值的数目N，这里意味着有17567个观测值F是F估计值，它是对回归中所有系数的联合检验（H0:X1=X2=…=0），这里因为只有一个X，所以恰好是t的平方。这里F值很大，因此回归十分显著。

Prob>F是指5%单边F检验对应的P值，P=0意味着很容易否定H0假设，回归显著。R-squared是SSE/SST的值，它的意义是全部的差异有多少能被模型解释，这里R-squared有0.0855，说明模型的解释度还是可以的。

Adj R-squared是调整的R-squared，它等于1-(n-1)SSR/(n-k-1)SST，它的目的是为了剔除当加入更多X解释变量时，R-squared的必然上升趋势，从而在多元回归中更好的看出模型的解释力，但是本回归是一元的，这个值没有太大意义。Root MSE是RMS的开方，是单位残差平方和的一种表现形式。

下列：Coef分别出示了X变量schooling的系数和常数项的值，其含义是，如果一个人没有受过教育，我们预测会平均生育3个子女，当其他因素不变时，一个人每多受一年教育，我们预测其将会少生0.096个孩子。X变量的coef并不大，因此其实际（也叫经济）显著性并不太高。

Std.err则是估计系数和常数项的标准差。一般我们认为，标准差越小，估计值越集中、精确。

t是t估计值，它用于检验统计显著性，t值较大，因此回归是显著的。P>abs(t)项是5%双边t检验对应的P值，P=0意味着很容易否定H0假设，统计显著。

95%conf interval项是95%的置信区间，它是x变量的系数（或常数项）分别加减1.96*SE，这是说，有95%的可能性，系数的真值落在这个区域。