LINEST
使用最小二乘法对已知数据进行最佳直线拟合，并返回描述此直线的数组。因为此函数返回数值数组，所以必须以数组公式的形式输入。
直线的公式为：
y = mx + b or
y = m1x1 + m2x2 + ... + b(如果有多个区域的 x 值)
式中，因变量 y 是自变量 x 的函数值。M 值是与每个 x 值相对应的系数，b 为常量。注意 y、x 和 m 可以是向量。LINEST 函数返回的数组为 {mn,mn-1,...,m1,b}。LINEST 函数还可返回附加回归统计值。
语法
LINEST(known_y's,known_x's,const,stats)
Known_y's 是关系表达式 y = mx + b 中已知的 y 值集合。
如果数组 known_y's 在单独一列中，则 known_x's 的每一列被视为一个独立的变量。
如果数组 known-y's 在单独一行中，则 known-x's 的每一行被视为一个独立的变量。
Known_x's 是关系表达式 y = mx + b 中已知的可选 x 值集合。
数组 known_x's 可以包含一组或多组变量。如果只用到一个变量，只要 known_y's 和 known_x's 维数相同，它们可以是任何形状的区域。如果用到多个变量，则 known_y's 必须为向量(即必须为一行或一列)。
如果省略 known_x's，则假设该数组为 {1,2,3,...}，其大小与 known_y's 相同。
Const 为一逻辑值，用于指定是否将常量 b 强制设为 0。
如果 const 为 TRUE 或省略，b 将按正常计算。
如果 const 为 FALSE，b 将被设为 0，并同时调整 m 值使 y = mx。
Stats 为一逻辑值，指定是否返回附加回归统计值。
如果 stats 为 TRUE，则 LINEST 函数返回附加回归统计值，这时返回的数组为 {mn,mn-1,...,m1,b;sen,sen-1,...,se1,seb;r2,sey;F,df;ssreg,ssresid}。
如果 stats 为 FALSE 或省略，LINEST 函数只返回系数 m 和常量 b。
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。如果判定系数为 0，则回归公式不能用来预测 Y 值。有关计算 r2 的方法的详细信息，请参阅本主题后面的“说明”。
sey Y 估计值的标准误差。
F F 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。所查得的值和 LINEST 函数返回的 F 统计值的比值可用来判断模型的置信度。有关如何计算 df，请参阅在此主题中后面的“说明”。示例 4 说明了 F 和 df 的使用。
ssreg 回归平方和。
ssresid 残差平方和。 有关计算 ssreg 和 ssresid 的方法的详细信息，请参阅本主题后面的“说明”。
下面的图示显示了附加回归统计值返回的顺序。
说明
可以使用斜率和 y 轴截距描述任何直线：
斜率 (m)：
通常记为 m，如果需要计算斜率，则选取直线上的两点，(x1,y1) 和 (x2,y2)；斜率等于 (y2 - y1)/(x2 - x1)。
Y 轴截距 (b)：
通常记为 b，直线的 y 轴的截距为直线通过 y 轴时与 y 轴交点的数值。
直线的公式为 y = mx + b。如果知道了 m 和 b 的值，将 y 或 x 的值代入公式就可计算出直线上的任意一点。还可以使用 TREND 函数。
当只有一个自变量 x 时，可直接利用下面公式得到斜率和 y 轴截距值：
斜率：
=INDEX(LINEST(known_y's,known_x's),1)
Y 轴截距：
=INDEX(LINEST(known_y's,known_x's),2)
数据的离散程度决定了 LINEST 函数计算的精确度。数据越接近线性，LINEST 模型就越精确。LINEST 函数使用最小二乘法来判定最适合数据的模型。当只有一个自变量 x 时，m 和 b 是根据下面的公式计算出的：
其中 x 和 y 是样本平均值，例如 x = AVERAGE(known x's) 和 y = AVERAGE(known_y's)。
直线和曲线函数 LINEST 和 LOGEST 可用来计算与给定数据拟合程度最高的直线或指数曲线。但需要判断两者中哪一个更适合数据。可以用函数 TREND(known_y's,known_x's) 来计算直线，或用函数 GROWTH(known_y's, known_x's) 来计算指数曲线。这些不带参数 new_x's 的函数可在实际数据点上根据直线或曲线来返回 y 的数组值，然后可以将预测值与实际值进行比较。还可以用图表方式来直观地比较二者。
回归分析时，Microsoft Excel 计算每一点的 y 的估计值和实际值的平方差。这些平方差之和称为残差平方和 (ssresid)。然后 Microsoft Excel 计算总平方和 (sstotal)。当 const = TRUE 或被删除时，总平方和是 y 的实际值和平均值的平方差之和。当 const = FALSE 时，总平方和是 y 的实际值的平方和(不需要从每个 y 值中减去平均值)。回归平方和 (ssreg) 可通过公式 ssreg = sstotal - ssresid 计算出来。残差平方和与总平方和的比值越小，判定系数 r2 的值就越大，r2 是表示回归分析公式的结果反映变量间关系的程度的标志。r2 等于 ssreg/sstotal。
在某些情况下，一个或多个 X 列可能没有出现在其他 X 列中的预测值(假设 Y's 和 X's 位于列中)。换句话说，删除一个或多个 X 列可能导致同样精度的 y 预测值。在这种情况下，这些多余的 X 列应该从回归模型中删除。这种现象被称为“共线”，原因是任何多余的 X 列被表示为多个非多余 X 列的和。LINEST 将检查是否存在共线，并在识别出来之后从回归模型中删除任何多余的 X 列。由于包含 0 系数以及 0 se's，所以已删除的 X 列能在 LINEST 输出中被识别出来。如果一个或多个多余的列被删除，则将影响 df，原因是 df 取决于被实际用于预测目的的 X 列的个数。有关计算 df 的详细信息，请参阅下面的示例 4。如果由于删除多余的 X 列而更改了 df，则也会影响 sey 和 F 的值。实际上，共线应该相对很少发生。但是，很可能引起共线的情况是，当某些 X 列仅包含 0's 和 1's 作为一个实验中的对象是否属于某个组的指示器。如果 const = TRUE 或被删除，则 LINEST 可有效地插入所有 1's 的其他 X 列以便模型化截取。如果有一列，1 对应于每个男性的对象，0 对应于非男性对象，还有一列，1 对应于每个女性对象，0 对应于非女性对象，那么后一列就是多余的，原因是其中的项可通过从所有 1's(由 LINEST 添加)的另一列中减去“男性指示器”列中的项来获得。
df 的计算方法，如下所示(没有 X 列由于共线而从模型中被删除)：如果存在 known_x's 的 k 列和 const = TRUE 或被删除，那么 df = n – k – 1。如果 const = FALSE，那么 df = n - k。在这两种情况下，每次由于共线而删除一个 X 列都会使 df 加 1。
对于返回结果为数组的公式，必须以数组公式的形式输入。
当需要输入一个数组常量(如 known_x's)作为参数时，以逗号作为同一行中数据的分隔符，以分号作为不同行数据的分隔符。分隔符可能因“区域设置”中或“控制面板”的“区域选项”中区域设置的不同而有所不同。
注意，如果 y 的回归分析预测值超出了用来计算公式的 y 值的范围，它们可能是无效的。
示例 1 斜率和 Y 轴截距
如果您将示例复制到空白工作表中，可能会更易于理解该示例。
◆◆
评论读取中....
请登录后再发表评论!
◆◆
修改失败，请稍后尝试
