El tutorial explica los conceptos básicos del análisis de regresión y muestra algunas formas diferentes de hacer una regresión lineal en Excel.
Imagine esto: se le proporciona muchos datos diferentes y se le pide que predice los números de ventas del próximo año para su empresa. Has descubierto docenas, tal vez incluso cientos, de factores que posiblemente pueden afectar los números. Pero, ¿cómo sabes cuáles son realmente importantes? Análisis de regresión de ejecución en Excel. Le dará una respuesta a esto y muchas más preguntas: ¿Qué factores importan y cuáles se pueden ignorar? ¿Qué tan de cerca están estos factores relacionados entre sí? ¿Y qué tan seguro puedes estar sobre las predicciones?
En el modelado estadístico, el análisis de regresión se utiliza para estimar las relaciones entre dos o más variables:
La variable dependiente (también conocida como variable de criterio) es el factor principal que está tratando de comprender y predecir.
Las variables independientes (también conocidas como variables explicativas o predictores) son los factores que podrían influir en la variable dependiente.
El análisis de regresión lo ayuda a comprender cómo cambia la variable dependiente cuando una de las variables independientes varía y permite determinar matemáticamente cuál de esas variables realmente tiene un impacto.
Técnicamente, un modelo de análisis de regresión se basa en la suma de cuadrados, que es una forma matemática de encontrar la dispersión de los puntos de datos. El objetivo de un modelo es obtener la suma de cuadrados más pequeña posible y dibujar una línea que se acerque más a los datos.
¿Cómo hacer la regresion lineal simple en Excel?
La primera parte de hacer un gráfico de regresión lineal simple en Excel es hacer una trama de dispersión.
Por conveniencia, usemos el mismo conjunto de datos con el ejercicio de diagrama de dispersión. Supongamos que está visualizando las vistas y ventas de página y ventas de su sitio de comercio electrónico el año anterior.
En resumen, esto es lo que debe hacer para insertar una gráfica de dispersión en Excel:
- Formatee sus datos de tal manera que la variable independiente esté en la columna izquierda y la variable dependiente a la derecha.
- Destaca tus datos.
- Encuentre y haga clic en el icono de «dispersión» en el grupo «dispersión» en la categoría «gráficos» en la cinta.
Por conveniencia, edite el gráfico (límites y títulos) para que los puntos de datos parezcan centrados en el gráfico.
Si no está seguro de qué hacer, siéntase libre de referirse al artículo de «trama de dispersión».
Una vez que lo obtuviste, vayamos ahora a la parte principal.
Para dibujar la línea de regresión, agregemos una línea de tendencia en la tabla.
Haga clic en cualquiera de los puntos de datos y haga clic con el botón derecho. Seleccione «Agregar línea de tendencia».
Después de eso, se abrirá una ventana al lado derecho.
«Linear» es las «opciones de línea de tendencia» predeterminada. Si no está seleccionado, haga clic en él.
Además, si desea mostrar la ecuación en la tabla, marque la casilla «Exhibición de la ecuación en la tabla».
Una vez que lo haga, la ecuación se mostrará en la tabla. Siéntase libre de moverlo para que no bloquee los puntos de datos o la línea.
Si desea editar el aspecto de la línea de tendencia, haga clic derecho en él y seleccione «Formato de tendencia».
¿Cómo hacer una regresión lineal simple en Excel?
Cuando los vendedores o productores de productos intentan predecir cantidades o valores de resultados futuros, dependiendo de dos o múltiples criterios, tienen que realizar un análisis de regresión en Excel. Hacer una regresión lineal simple en Excel tratar con una única variable dependiente e independiente. Hay múltiples formas de realizar un análisis de regresión lineal en Excel.
Supongamos que tenemos un costo unitario frente a datos unitarios producidos, y queremos una regresión lineal simple para identificar qué criterios realmente importan.
En este artículo, utilizaremos complementos como Analysis ToolPak y Solucionador, Gráfico de Excel y fórmulas para hacer una regresión lineal simple en Excel.
El análisis de regresión proviene de estadísticas y se ocupa de la predicción de valores que dependen de dos o más variables. Por lo tanto, la regresión lineal estima valores cuando se trata de variables dependientes e independientes individuales. Tiene una ecuación de y = mx+c+e y las variables son
Ε = término de error, la diferencia entre el valor real y el valor predicho.
El término de error, E está en la fórmula porque ninguna predicción nunca es 100% correcta. Aunque algunos complementos calculan errores fuera de la pantalla, lo mencionamos para aclarar el análisis. Sin embargo, la fórmula de regresión lineal se convierte en y = mx+c, si ignoramos el término de error (es decir, e).
Realizar un análisis de regresión lineal en Excel es bastante fácil, ya que Excel hace todos los cálculos por sí mismo. Excel da como resultado 4 partes principales de datos analizados que contienen diferentes valores de uso de la vida real.
1. Estadísticas de regresión: las estadísticas de regresión son una serie de parámetros diferentes que indican qué tan bien la regresión lineal medida describe el modelo de datos.
¿Cómo se realiza una regresión lineal simple?
Los dispositivos de medición deben calibrarse regularmente para garantizar que realicen correctamente su función. Si la calibración cubre una amplia gama de aplicaciones y escenarios, el objetivo es simple: garantizar que su dispositivo realice mediciones de acuerdo con sus estándares. La mayoría de los sistemas de calidad requieren un sistema de medición satisfactorio que incluye la calibración formal, periódica y documentada de todos los instrumentos de medición. Pero a los ingenieros a menudo les resulta difícil verificar que dos instrumentos midan piezas de manera similar.
Un enfoque es comparar los dos instrumentos ajustando una línea de regresión lineal lineal simple, luego utilizando el ajuste del modelo para ver si los valores son los mismos en todo el rango de medición. Modelos de regresión lineal simple La relación lineal entre dos variables continuas: una respuesta y un predictor.
Suponga que un fabricante de dispositivos médicos quiere determinar si su monitor de presión arterial es equivalente a un modelo similar en el mercado. Para verificar que los dos instrumentos proporcionan medidas comparables, el fabricante selecciona personas que representan un rango de valores donde las medidas deben ser comparables. Luego toma la tensión de las personas con los dos instrumentos. La compañía obtiene mediciones de presión arterial sistólica en una muestra aleatoria de 60 personas que usan los dos instrumentos y guarda los datos. Aquí hay una muestra de las 60 líneas, donde cada línea representa una medida realizada utilizando los instrumentos actuales y nuevos.
En este caso, designamos las medidas del dispositivo actual como el predictor (o variable X) y las mediciones del nuevo dispositivo como respuesta (o variable Y). El ajuste de una línea de regresión a estos datos muestra que los valores del dispositivo de medición actual predicen bastante bien los valores del nuevo dispositivo de medición. El estadístico R-Carré indica que el sistema de medición actual explica el 98.8 % de la variación observada en el nuevo dispositivo de medición.
¿Qué es regresión lineal en Excel?
La regresión lineal es una técnica/método estadístico utilizado para estudiar la relación entre dos variables cuantitativas continuas. En esta técnica, las variables independientes se utilizan para predecir el valor de una variable dependiente. Si solo hay una variable independiente, entonces es una regresión lineal simple, y si varias variables independientes son más de una, entonces es una regresión lineal múltiple. Los modelos de regresión lineal tienen una relación entre variables dependientes e independientes al ajustar una ecuación lineal a los datos observados. Linear se refiere al hecho de que usamos una línea para adaptarse a nuestros datos. Las variables dependientes utilizadas en el análisis de regresión también se denominan variables de respuesta o predicción, y las variables independientes también se denominan variables o predictores explicativos.
Digamos que tenemos un conjunto de datos de algunas personas con su edad, el índice de bio-masa (IMC) y la cantidad gastada por ellos en gastos médicos en un mes. Ahora, con una idea de las características de los individuos, como la edad y el IMC, deseamos encontrar cómo estas variables afectan los gastos médicos y, por lo tanto, los usan para llevar a cabo la regresión y estimar/predecir los gastos médicos promedio para algunas personas específicas. Primero veamos cómo solo la edad afecta los gastos médicos. Veamos el conjunto de datos:
- Seleccione las dos columnas del conjunto de datos (x e y), incluidos los encabezados.
- Haga clic en «Insertar» y expandir el menú desplegable para «Gráfico de dispersión» y seleccione la miniatura de «dispersión» (primero)
- Ahora aparecerá una trama de dispersión, y dibujaríamos la línea de regresión en esto. Para hacer esto, haga clic derecho en cualquier punto de datos y seleccione «Agregar línea de tendencia».
- Ahora en el panel «Formato de tendencia de tendencia» a la derecha, seleccione «Línea de tendencia lineal» y «ecuación de visualización en el gráfico».
- Seleccione «Mostrar ecuación en la tabla».
Podemos improvisar el gráfico según nuestros requisitos, como agregar títulos de ejes, cambiar la escala, el color y el tipo de línea.
¿Qué es la regresión lineal y para qué sirve?
La regresión lineal es un poderoso método estadístico para construir un modelo lineal a partir de un conjunto de datos recopilados.
Por ejemplo, considere a un científico que intenta comprender la tendencia en la concentración de dióxido de carbono (CO2) en la atmósfera en los últimos 60 años (de 1959 a 2017).
Recopila datos en Datahub y los coloca en una nube de puntos, como esta:
Este gráfico (llamado «diagrama disperso») puede ayudar a ver que la concentración de CO2 aumenta de año en año. Pero no puede responder preguntas más difíciles, como
- ¿La concentración de CO2 aumenta 1% cada año? O 10%?
- ¿Cuál sería la concentración de CO2 en 2050?
Por lo tanto, el diagrama disperso ofrece una visión general interesante de los datos, pero no es realmente útil para conocer la tendencia o hacer una predicción.
Para responder tales preguntas, nuestro científico debe tener en sus manos un modelo que describe y resume los datos existentes, matemáticamente. Este modelo se puede utilizar para predecir la variable de interés (aquí emisiones de CO2) para los casos en que los datos no están disponibles; Por ejemplo, la concentración de dióxido de carbono en 2050.
¡Aquí es precisamente donde entra en juego la regresión lineal!
La regresión lineal permite a nuestro científico dibujar el derecho (en azul punteado). Porque, representa un modelo que describe la concentración de CO2 como una función lineal del año, del tipo y = ax+b, por lo tanto aquí: aquí:
Tal modelo lineal puede responder a todo tipo de preguntas, como las mencionadas anteriormente:
- ¿La concentración de CO2 aumenta 1% cada año? O 10%?
- ¿Cuál sería la concentración de CO2 en 2050?
¿Cómo hacer un cálculo de regresión lineal en Excel?
Con muchas cosas que intentamos hacer en Excel, generalmente hay múltiples caminos hacia el mismo resultado. Algunos caminos son mejores que otros dependiendo de la situación. Lo mismo es cierto para la regresión lineal en Excel. Hay cuatro formas en que puede realizar este análisis (sin VBA). Están:
- Líneas de tendencia de los gráficos
- Función Linest
- Regresión de «vieja escuela» usando el solucionador
- Regresión lineal con el complemento de análisis de herramientas de análisis
Cada uno de estos métodos de regresión lineal tiene un momento y lugar apropiados. Echemos un vistazo a cada uno individualmente.
Cuando necesite obtener una ecuación lineal rápida y sucia para un conjunto de datos, la mejor manera es simplemente crear un gráfico XY (o «gráfico de dispersión») y lanzar una línea de tendencia rápida. Agregue la ecuación a la línea de tendencia y tendrá todo lo que necesita. Puede pasar de datos sin procesar a tener la pendiente e intercepción de una línea de mejor ajuste en 6 clics (en Excel 2016).
Supongamos que tenemos el conjunto de datos a continuación, y queremos determinar rápidamente la pendiente y la intersección y de una mejor línea de ajuste a través de él.
Ahora sabemos que el conjunto de datos que se muestra arriba tiene una pendiente de 165.4 y una intersección y de -79.85.
El método de línea de tendencia del gráfico es una forma rápida de realizar una regresión lineal muy simple y encajar una curva a una serie de datos, pero tiene dos caídas significativas.
La primera es que la ecuación que se muestra en el gráfico no se puede usar en ningún otro lugar. Es esencialmente texto «tonto».
Si desea usar esa ecuación en cualquier lugar de su hoja de cálculo, debe ingresar manualmente. Sin embargo, si cambia el conjunto de datos utilizado para obtener la ecuación, esa ecuación que ingresó manualmente no se actualizará, dejando su hoja de cálculo con una ecuación errónea.
¿Cómo sacar la regresion lineal simple?
La regresión lineal es una forma de álgebra lineal que supuestamente fue inventada por Carl Friedrich Gauss (1777-1855), pero que Adrien-Marie Legendre (1752-1833) publicó por primera vez en un artículo científico (1752-1833). Gauss utilizó el método de mínimos cuadrados para adivinar cuándo y dónde aparecería el asteroide Ceres en el cielo nocturno (el descubrimiento de la regresión estadística, 2015). Este no fue un proyecto de pasatiempo, este fue un proyecto de investigación bien financiado con el propósito de navegación oceánica, un campo altamente competitivo que era sensible a la interrupción tecnológica.
La regresión lineal es un método para predecir y de x. En nuestro caso, Y es la variable dependiente, y X es la variable independiente. Queremos predecir el valor de y para un valor dado de x. Ahora, si los datos fueran perfectamente lineales, simplemente podríamos calcular la forma de intercepción de pendiente de la línea en términos y = mx+ b. Para predecir y solo conectaríamos los valores dados de x y b. En el mundo real, nuestros datos no serán perfectamente lineales. Probablemente será en forma de un clúster de puntos de datos en un diagrama de dispersión. A partir de ese diagrama de dispersión, nos gustaría determinar, ¿cuál es la línea de mejor ajuste que describe las cualidades lineales de los datos y qué tan bien se ajusta la línea al clúster de puntos?
La regresión lineal intenta modelar la relación entre dos variables ajustando una ecuación lineal a los datos observados (regresión lineal, n.d.).
Hagamos algunos datos para usar como ejemplo. La relación entre el tamaño de la fiesta de caza de chimpancés y el porcentaje de cacerías exitosas está bien documentada. (Busse, 1978) Voy a obtener algunos puntos de datos de Busse para usar para este artículo y trazar los datos utilizando un diagrama de dispersión marídico. Observe cómo la línea que dibujé a través de los datos no se ajusta perfectamente, pero ¿los puntos se aproximan a un patrón lineal? La línea que dibujé a través de los datos es la línea de mínimos cuadrados y se usa para predecir los valores y para valores x dados. Utilizando solo una línea de mínimos cuadrados rudimentarias dibujada a mano a través de los datos, podríamos predecir que una parte de caza de 4 chimpancés tendrá alrededor del 52% exitoso. No somos 100 por ciento precisos, pero con más datos, es probable que mejoremos nuestra precisión. Qué tan bien los datos se ajustan a la línea de mínimos cuadrados es el coeficiente de correlación.
¿Qué es la regresión lineal simple ejemplo?
El término, además, estúpido, de «regresión» es bien conocido. O una distribución con dos variables cuantitativas. RLS (regresión lineal simple) permite mostrar la posible relación funcional lineal que existiría entre una variable explicativa (o independiente) (x ) y una variable aleatoria o una variable estadística para explicar (o dependiente) (y (y (y (y . ) En el sistema de calificación elegido en este sitio web, (x ) se reemplaza por (t ) cuando se trata de una medición de tiempo.
Por ejemplo, se puede observar una población de tortugas cada año en una reserva natural. La variable explicativa es el tiempo ( (t )) y la variable a explicar es el número de tortugas ( (y )).
Gráficamente, representamos esta posible relación en un plan equipado con un punto de referencia ortogonal. Los valores de la variable explicativa aparecen en el eje de la abscisa y los de la variable que se explica se representan en el eje de los ordenados. El conjunto de datos aparece en forma de una nube de puntos (tantos puntos como observaciones diferentes, a menos que haya observaciones estrictamente idénticas). En el caso de que los datos solo estén disponibles en las clases de valores, se utilizan los valores de las clases centrales (consulte la página de la serie de variables continuas para estudiantes secundarios).
Para usar nuestro ejemplo, observamos en una tabla el número de tortugas en cada fecha de observación anual, visualizamos gráficamente si la población crece o disminuye y si hay fuertes variaciones de un año al siguiente. Tenga en cuenta que para este ejemplo, podríamos dibujar una curva en lugar de una nube de puntos…
Si el propósito de la operación es proporcionar el número de tortugas en los próximos años, la nube de puntos debe extenderse. Lamentablemente, la misión imposible.
Artículos Relacionados:
- Aprende a hacer regresión lineal múltiple en Excel con esta guía paso a paso
- Aprende a realizar una regresión lineal simple con estos pasos
- Ejemplos de regresión lineal: cómo aplicar este modelo de machine learning
- Aplicaciones de la regresión lineal simple: conozca cómo esta técnica puede beneficiar su negocio
- Ejemplos de regresión lineal simple en una empresa
- El proceso de regresión lineal en software es un método estadístico que se utiliza para ajustar una línea a un conjunto de puntos.
