L'analyse de régression est utilisée pour prédire les scores sur une variable indépendante, connue sous le nom "x" à l'aide de scores connus sur une ou plusieurs variables dépendantes connues sous le nom ". de y" régression linéaire analyse calcule mathématiquement l'équation pour une ligne droite, qui sert de prédiction modèle. Selon le site, Stat Trek, les résidus représentent la distance verticale entre chaque point de données obtenues de la variable indépendante de cette ligne droite. Microsoft Excel 2007 produit un tracé des résidus qui doivent être interprétées pour évaluer la pertinence d'utiliser un modèle de régression linéaire.
Instructions
1 Identifier les variables x et y dans votre régression. La variable x ou variable indépendante représente le résultat que vous voulez mesurer. Les variables y ou variables dépendantes sont les entrées ou les prédicteurs. Par exemple, si vous souhaitez concevoir un modèle nombre d'admissions à l'urgence une personne aurait en utilisant nombre de livres en surpoids et le nombre d'heures travaillées par semaine prédire, les variables dépendantes sont nombre de livres en surpoids et le nombre d'heures travaillées par semaine, tandis que la variable indépendante est le nombre d'admissions à l'urgence.
2 Comprendre que l'axe-x d'une parcelle résiduelle contient toutes les valeurs de la variable x dans l'échantillon. Dans cet exemple, si le plus grand nombre d'admissions à l'urgence toute personne dans l'échantillon avait été 15 et le plus bas était de zéro, l'échelle allait commencer à zéro et étendre vers le haut par incréments de un à la valeur maximale de 15.
3 Apprenez à lire l'axe y de la parcelle résiduelle. L'axe des ordonnées représente les résidus. Si la plus grande distance entre un point de données obtenues et la ligne droite prédictive est 15 et la plus petite distance était de zéro, cette échelle commencerait à zéro et étendre vers le haut par incréments de un à la valeur maximale de 15. Microsoft Excel 2007 produit un graphique pour chaque variable y.
4 Comprendre que la ligne droite sur le graphique est la ligne prédictive qui décrit la relation de meilleur ajustement entre x et l'être variable y graphiquement. La ligne peut être horizontale, inclinée vers le haut, ou incliné vers le bas en fonction de la nature de la relation entre x et y étant représentée graphiquement.
5 Regardez la propagation de points au-dessus et au-dessous de la ligne droite prédictive. S'il y a un nombre égal de points au-dessus de la ligne en dessous, la régression linéaire est appropriée pour décrire la relation entre x et y étant représentée graphiquement.
6 Rechercher les modèles de dispersement. Si les données sont en grappes, une forme autre qu'une ligne droite, comme un «U», ou si les points de données ne sont pas uniformément dispersées au-dessus et en dessous du seuil de prédiction linéaire, la régression linéaire ne convient pas et les modèles non-linéaires doivent être utilisés .