Analisi di regressione è usata per predire i punteggi su una variabile indipendente, conosciuta come "x" utilizzando noti punteggi su una o più variabili dipendenti, conosciute come "y's" Analisi di regressione lineare calcola matematicamente l'equazione di una retta, che serve come un modello predittivo. Secondo il sito, Stat Trek, residui rappresentano la distanza verticale tra ogni punto di dati ottenuti da questa linea retta dalla variabile indipendente. Microsoft Excel 2007 produce un complotto dei residui che deve essere interpretato per valutare l'opportunità di utilizzare un modello di regressione lineare.
Istruzioni
• Identificare gli assi x e y variabili nella tua regressione. La x variabile o variabile indipendente rappresenta il risultato che si vuole misurare. Le variabili di y o variabili dipendenti sono gli ingressi o predittori. Ad esempio, se si desidera progettare un modello di previsione numero di ammissioni al pronto soccorso una persona sarebbe hanno utilizzando il numero di libbre sovrappeso e il numero di ore lavorative alla settimana, le variabili dipendenti sono numeri di chili sovrappeso e il numero di ore lavorative alla settimana, mentre la variabile indipendente è il numero dei ricoveri al pronto soccorso.
• Capire che l'asse x di un complotto residuo contiene tutti i valori della variabile x nel campione. In questo esempio, se il maggior numero di ammissioni di E.R. chiunque nel campione era 15 e il più basso era pari a zero, la scala sarebbe iniziare da zero e si estendono verso l'alto in incrementi di uno al valore massimo di 15.
• Imparare a leggere l'asse y della trama del residua. L'asse y rappresenta i residui. Se la più grande distanza tra un punto di dati ottenuti e la linea retta predittiva è 15 e la più piccola distanza era pari a zero, questa scala sarebbe iniziare da zero e si estendono verso l'alto in incrementi di uno al valore massimo di 15. Microsoft Excel 2007 produce un grafico per ogni variabile di y.
• Capire che la linea retta sul grafico è la linea predittiva che descrive il rapporto ottimale tra x e la y-variabile da graphed. La linea può essere orizzontale, inclinato verso l'alto, o inclinato verso il basso a seconda della natura della relazione tra x e y da graphed.
• Guardate la diffusione dei punti sopra e sotto la riga dritto predittiva. Se ci sono un numero uguale di punti sopra la linea come di sotto di esso, la regressione lineare è appropriato per descrivere la relazione tra x e y da graphed.
• Cercare modelli di dispersione. Se i dati sono in cluster, una forma diversa da una linea retta, come una "U", o se i punti dati non sono uniformemente disperso sopra e sotto la riga dritto predittiva, regressione lineare non è appropriata e devono essere utilizzati modelli non-lineari.