Como faço para ler gráficos de resíduos em Excel ?

A análise de regressão é usada para prever pontuação em uma variável independente , conhecido como "x " usando pontuação conhecidos em uma ou mais variáveis ​​dependentes , conhecidos como "y de ". Análise de regressão linear calcula matematicamente a equação para uma linha reta , que serve como um modelo preditivo . De acordo com o site, Stat Trek , os resíduos representam a distância vertical entre cada ponto da variável independente dados obtidos a partir desta linha reta. Microsoft Excel 2007 produz um gráfico dos resíduos que devem ser interpretadas de avaliar a adequação do uso de um model.Things de regressão linear que você vai precisar
Microsoft Excel 2007
Mostrar Mais instruções
1

Identificar as variáveis ​​X e Y em sua regressão. A variável x ou variável independente representa o resultado que você quer medir . As variáveis ​​y ou variáveis ​​dependentes são as entradas ou preditores . Por exemplo, se você deseja criar um modelo de previsão de número de internações ER uma pessoa teria usando o número de quilos acima do peso e número de horas trabalhadas por semana , as variáveis ​​dependentes são o número de quilos acima do peso e número de horas trabalhadas por semana, enquanto a variável independente é o número de admissões ER .
2

Entenda que o eixo - x de um lote residual contém todos os valores da variável x na amostra. Neste exemplo, se o maior número de admissões ER ninguém na amostra tinha era 15 ea menor foi de zero, a escala iria começar em zero e se estendem para cima em incrementos de um para o valor máximo de 15
Página 3

Aprenda a ler o eixo y do gráfico residual . O eixo y representa os resíduos . Se a maior distância entre um ponto de dados obtidos ea reta previsão é de 15 ea menor distância era zero, esta escala iria começar em zero e se estendem para cima em incrementos de um para o valor máximo de 15 Microsoft Excel 2007 produz um gráfico para cada y- variável
4

. Entenda que a linha reta no gráfico é a linha preditivo que descreve a relação de melhor ajuste entre x e y o ser variável representada graficamente . A linha pode ser horizontal, inclinada para cima, para baixo ou inclinada , dependendo da natureza da relação entre x e y o que está sendo representada.
5

Olhe para a disseminação de pontos acima e abaixo da linha de previsão em linha reta . Se houver um número igual de pontos acima da linha como abaixo dela , a regressão linear é apropriada para descrever a relação entre x e y a ser representada graficamente .
6

Procure padrões de dispersement . Se os dados em conjuntos , uma forma que não seja uma linha recta , tal como um " L ", ou se os pontos de dados não são uniformemente dispersas acima e abaixo da linha de predição linear , regressão linear não é adequado e modelos não lineares deve ser usado .