利用Excel进行线性回归的分析报告
用EXCEL做回归分析
用EXCEL做回归分析回归分析是一种统计方法，用于分析两个或多个变量之间的关系。
在Excel中，可以使用内置的回归分析工具进行分析，以回答诸如“变量A 是否对变量B有显著影响？”或“可以使用变量A预测变量B的值吗？”类似的问题。
下面将介绍如何在Excel中进行回归分析，并提供一些实用的技巧和建议。
首先，首先我们需要准备好要分析的数据。
在Excel中，将自变量放在一列中，将因变量放在另一列中。
确保数据的数量相等，并且数据是数值型的。
接下来，选择数据，并打开数据分析工具。
在Excel 2024及以后的版本中，可以通过以下步骤打开数据分析工具：点击“数据”选项卡，在“数据分析”组中选择“数据分析”。
如果找不到“数据分析”选项，则需要先安装该功能。
在数据分析对话框中，选择“回归”选项，然后点击“确定”。
这将打开回归分析向导。
在“回归向导”中，选择因变量范围和自变量范围。
因变量应该是我们想要预测或解释的变量，而自变量则是用来预测因变量的变量。
可以选择多个自变量进行分析。
在回归向导的下一步中，选择回归模型。
可以选择线性模型、多项式模型等等。
选择合适的模型可以提高回归分析的准确性。
进一步，在回归向导的下一步中，选择输出选项。
可以选择输出回归方程、残差分析、变量重要性等等。
这些选项将帮助我们更全面地评估回归分析的结果。
最后，点击完成，Excel将生成回归分析的结果，包括回归方程、变量系数、显著性水平等等。
这些结果将帮助我们理解变量之间的关系，并进行进一步的解释和预测。
进行回归分析时，还有一些技巧和建议可以帮助我们得到更准确和可靠的结果。
下面列举一些常用的技巧：1.数据准备：确保数据是准确和完整的。
删除缺失值和异常值，确保所选的自变量和因变量是有意义的。
2.模型选择：根据数据的特点和问题的需求，选择适合的回归模型。
避免选择过于复杂或过于简单的模型。
3.检查回归方程：观察回归方程中自变量的系数和显著性水平，确保它们与理论预期一致。
如何用EXCEL做数据线性拟合和回归分析
如何用EXCEL做数据线性拟合和回归分析使用Excel进行数据线性拟合和回归分析的过程如下：一、数据准备：1. 打开Excel，并将数据输入到一个工作簿中的其中一列或行中。
2.确保数据已经按照自变量（X）和因变量（Y）的顺序排列。
二、线性拟合：1. 在Excel中选择一个空白单元格，键入“=LINEST(Y数据范围，X数据范围，TRUE，TRUE)”。
-Y数据范围是因变量的数据范围。
-X数据范围是自变量的数据范围。
-最后两个参数设置为TRUE表示计算截距和斜率。
2. 按下“Ctrl +Shift + Enter”键以在该单元格中输入数组公式。
3. Excel将返回一列值，其中包括线性回归方程的系数和其他有关回归模型的统计信息。
-第一个值为截距项。
-第二个值为斜率项。
三、回归分析：1. 在Excel中选择一个空白单元格，键入“=LINEST(Y数据范围，X数据范围，TRUE，TRUE)”。
2. 按下“Ctrl + Shift + Enter”键以在该单元格中输入数组公式。
3. Excel将返回一列值，其中包括线性回归方程的系数和其他有关回归模型的统计信息。
-第一个值为截距项。
-第二个值为斜率项。
-第三个值为相关系数（R^2）。
-第四个值为标准误差。
四、数据可视化：1.选中自变量（X）和因变量（Y）的数据范围。
2.点击“插入”选项卡中的“散点图”图表类型。
3.选择一个散点图类型并插入到工作表中。
4.可以添加趋势线和方程式以可视化线性拟合结果。
-右键单击散点图上的一个数据点，选择“添加趋势线”。
-在弹出的对话框中选择线性趋势线类型。
-勾选“显示方程式”和“显示R^2值”选项以显示线性回归方程和相关系数。
五、解读结果：1.截距项表示在自变量为0时，因变量的预测值。
2.斜率项表示因变量随着自变量变化而变化的速率。
3.相关系数（R^2）表示自变量对因变量的解释力，范围从0到1，越接近1表示拟合的越好。
4.标准误差表示拟合线与实际数据之间的平均误差。
用EXCEL做线性回归分析
用EXCEL做线性回归分析线性回归分析是一种常用的统计方法，用于研究两个变量之间的线性关系。
它可以帮助我们理解和预测两个变量之间的关系，并且可通过趋势线进行展示。
在Excel中，线性回归分析可以通过使用内置的回归工具函数来实现。
本文将介绍如何使用Excel进行线性回归分析。
首先，我们需要准备好要进行分析的数据。
在Excel中，我们可以将这些数据输入到一个工作表中的列中，每个变量占一列。
例如，我们有一组x变量和一组y变量的数据，可以将x变量输入到A列，y变量输入到B列。
确保每个数据点都位于一个单独的行。
接下来，我们将使用Excel的数据分析工具进行线性回归分析。
要启用数据分析工具，我们需要先打开Excel的选项菜单。
在选项菜单中，选择工具选项卡，然后点击加载项。
在加载项窗口中勾选"分析工具箱"，点击确定以启用该功能。
现在，我们可以使用数据分析工具进行线性回归分析了。
在Excel的数据选项卡上，点击数据分析按钮。
在弹出的对话框中，选择回归，然后点击确定。
Excel将生成回归分析的结果，并将其输出到一个新的工作表中。
在该工作表中，我们可以看到回归方程的系数、截距和相关系数等信息。
此外，Excel还会生成一个散点图，并绘制出回归线。
通过解读回归分析结果，我们可以得到一些关键的信息。
首先，回归方程的系数表示变量之间的关系。
系数越大，表明变量之间的关系越强。
此外，截距表示当自变量为0时，因变量的取值。
相关系数表示两个变量之间的相关性，相关系数值越接近于1或-1，相关性越强。
除了回归分析结果，我们还可以通过散点图来可视化数据。
在这个散点图中，我们可以看到每个数据点的位置以及回归线的趋势。
通过观察散点图，我们可以更好地理解变量之间的关系。
在实际应用中，线性回归分析可以帮助我们预测未来值，控制其他因素的影响，并评估因素对因变量的影响程度。
例如，我们可以利用线性回归分析来研究广告投入与销售业绩之间的关系，以了解广告对销售额的影响。
excel回归结果解读
excel回归结果解读摘要：1.回归分析简介2.Excel回归分析步骤3.回归结果解读4.回归系数含义及解释5.模型检验与优化6.总结与建议正文：随着数据分析和统计方法的普及，回归分析已成为各领域研究者的重要工具。
回归分析旨在研究两个或多个变量之间的关系，其中，Excel是一款广泛应用于数据分析的软件。
本文将详细介绍如何进行Excel回归分析，以及如何解读回归结果。
一、回归分析简介回归分析是一种统计方法，用于研究自变量与因变量之间的依赖关系。
通常，回归分析的结果以线性方程形式表示，即y = a + bx，其中y为因变量，x为自变量，a和b分别为截距和斜率。
二、Excel回归分析步骤1.准备数据：首先，需要将数据整理为适当的格式。
通常，自变量和因变量应分别位于不同列中。
2.插入图表：在Excel中，选择图表类型为“散点图”，并将数据插入图表。
3.添加趋势线：右键单击图表，选择“添加趋势线”，在弹出的对话框中选择“线性”趋势线类型。
4.计算回归系数：在Excel中，可以使用“数据分析”工具箱中的“回归”功能。
将数据输入“因变量区域”和“自变量区域”，并选择“标签”选项，以计算回归系数。
5.得出线性方程：根据计算出的回归系数，得出线性方程，如y = a + bx。
三、回归结果解读1.回归系数：回归系数b表示自变量x每变动一个单位时，因变量y的平均变动量。
正负号表示自变量与因变量之间的正负相关关系。
2.截距：截距a表示当自变量x为0时，因变量y的预测值。
它可以用于评估模型的初始状态。
3.确定系数R：R表示模型对数据的拟合程度，值越接近1，拟合程度越好。
4.显著性检验：通过t检验和p值判断回归系数是否显著。
若p值小于0.05，说明回归系数显著。
四、模型检验与优化1.残差分析：检查模型是否存在异方差、序列相关等问题，若存在，可采用其他模型进行优化。
2.多重共线性检验：若自变量存在多重共线性，可采用逐步回归、主成分分析等方法进行优化。
如何在Excel中使用INTERCEPT函数进行线性回归分析
如何在Excel中使用INTERCEPT函数进行线性回归分析线性回归分析是一种常用的统计分析方法，可以帮助我们建立预测模型并进行数据预测。
在Excel中，INTERCEPT函数是进行线性回归分析必备的函数之一。
本文将介绍如何在Excel中使用INTERCEPT函数进行线性回归分析。
1. 准备数据在进行线性回归分析前，首先需要准备好待分析的数据。
假设我们有两列数据，一列为自变量X，一列为因变量Y。
确保这两列数据已经准备好并分别保存在Excel工作表的不同列中。
2. 打开Excel并选择合适的工作表打开Excel软件，并选择包含待分析数据的工作表。
3. 找准分析工具栏在Excel的菜单栏中，找到“数据”选项卡，并点击该选项卡。
4. 选择“数据分析”在“数据”选项卡中，找到“分析”一栏，然后点击“数据分析”按钮。
若未找到“数据分析”按钮，可能需要先进行一些设置。
5. 选择“回归”在弹出的“数据分析”对话框中，找到“回归”选项，并点击该选项。
6. 输入相关参数在“回归”对话框中，需要输入一些参数来进行线性回归分析。
- 输入Y范围：选中待分析数据的因变量Y的列范围。
- 输入X范围：选中待分析数据的自变量X的列范围。
- 勾选“常数项”：此处是否勾选取决于你是否需要常数项。
- 输出范围：选择输出结果的位置。
7. 确认并输出结果参数输入完成后，点击“确定”按钮。
Excel将自动进行线性回归分析，并在你选择的输出范围中生成相应的结果。
8. 解读结果Excel使用INTERCEPT函数进行线性回归分析后，会输出各项结果。
其中，我们主要关注的是“截距”（INTERCEPT）项的值。
截距是线性回归方程中自变量为0时的预测值，表示因变量与自变量无关时的值。
需要注意的是，线性回归分析仅能够分析自变量和因变量为线性关系的情况。
如果因变量和自变量之间存在非线性关系，线性回归分析可能无法准确预测并分析结果。
总结：本文介绍了如何在Excel中使用INTERCEPT函数进行线性回归分析。
利用Excel进行线性回归分析
利用Ｅxcel进行线性回归分析————————————————————————————————作者: ————————————————————————————————日期：ﻩ文档内容1.利用Excel进行一元线性回归分析２. 利用Ｅｘcｅｌ进行多元线性回归分析1．利用Excel进行一元线性回归分析第一步,录入数据以连续10年最大积雪深度和灌溉面积关系数据为例予以说明。
录入结果见下图(图1)。
图1第二步,作散点图如图２所示，选中数据(包括自变量和因变量）,点击“图表向导”图标；或者在“插入”菜单中打开“图表(H)”。
图表向导的图标为。
选中数据后，数据变为蓝色(图２）。
图2点击“图表向导”以后，弹出如下对话框(图３）:图3在左边一栏中选中“XＹ散点图”，点击“完成”按钮,立即出现散点图的原始形式（图4)：灌溉面积y(千亩)01020304050600102030灌溉面积y(千亩)图４第三步，回归观察散点图,判断点列分布是否具有线性趋势。
只有当数据具有线性分布特征时,才能采用线性回归分析方法。
从图中可以看出，本例数据具有线性分布趋势，可以进行线性回归。
回归的步骤如下:1. 首先，打开“工具”下拉菜单，可见数据分析选项（见图5）：图５用鼠标双击“数据分析”选项,弹出“数据分析”对话框（图6)：图62.然后，选择“回归”，确定，弹出如下选项表(图7)：图7进行如下选择：X 、Y 值的输入区域(B1：Ｂ11，C1:C11）,标志,置信度(95%),新工作表组，残差,线性拟合图(图８-１）。
或者:X 、Y 值的输入区域（B2:B11，C2:Ｃ11)，置信度(95%)，新工作表组,残差,线性拟合图（图8-2）。
注意：选中数据“标志”和不选“标志”,X 、Y 值的输入区域是不一样的：前者包括数据标志：最大积雪深度x （米) 灌溉面积y （千亩）后者不包括。
这一点务请注意(图8）。
图８－1包括数据“标志”图8-２不包括数据“标志”3.再后，确定,取得回归结果(图9）。
Excel线性回归分析
【实验目的】生活中经常会见到两种事物直接存在一定的关系，当数据比较多的时候，我们凭肉眼并不能看出两者之间的关系。
这时候就需要我们借助Excel的线性回归分析来查看。
【实验原理】回归分析的结果有多种可以查看的结果，本实验主要通过Excel的回归计算将结果通过图和文字展示。
【实验环境】Office 2010【实验步骤】回归分析“Excel线性回归分析”表，假定以某高校某班级2005至2018年每届毕业班的高等数学平均分统计数据资料为例，预测年份与高等数学平均分之间的关系。
以年份为自变量，以高等数学平均分为因变量做回归分析，原始数据如图所示。
具体操作步骤如下：绘制散点图。
在原始数据所在的工作表中，选择A1：B14单元格区域，转到”插入“选项卡，在”图表“选项组中单击”散点图“按钮，单击即可绘制出散点图。
如图所示散点图展示添加趋势线。
选择绘制出的散点图，在出现的”图表工具“标签下转到”布局“选项卡，在”分析“选项组中单击”趋势线“按钮，在弹出的如图所示的下拉列表中选择其他趋势线选项“。
随即在工作表右侧弹出如图所示的”设置趋势线格式”窗格。
在设置趋势线窗格中的“趋势线选项”中选择“线性”；勾选“显示公式”和“显示R平方值”两个复选框。
设置完毕后即可得到所需的趋势线及其参数，回归结果如图所示分析回归结果。
如图可知，趋势线的公式为y=-0.8989+2064.4,反应了两个变量之间的强弱关系，说明时间每增加一年，该高校毕业班的高等数学平均分就减少0.989分，而拟合优度R²=0.1505说明了这个公式能够解释数据的15.05%，说明该公式的解释力度并不是很强。
数据分析切换到sheet2表格，然后输入如下数据，点击“数据”选项卡下的“数据分析”选项。
弹出对话框如图,选择“回归”。
如图所示X值输入区域中选择为$B$2:$B$11，Y值输入区域为$C$2:$C$11，输出区域选择为$B$15:$C$22，最后确定，如图所示结果如图所示回归统计部分给出了判定系数R²、调整后的系数R²、估计标准误差等；方差分析表部分给出的显著水平F值表明回归方程是显著的最下面的一部分是a=395.567,b=0.895836。
用Excel做线性回归分析
用Excel做线性回归分析第一步：收集数据首先需要准备一组数据，其中有一个自变量和一个因变量，通常将自变量列在左侧列，因变量列在右侧列。
例如：X（自变量）Y（因变量）2 4.24 7.46 8.98 11.610 15.3第二步：绘制散点图接下来需要绘制散点图，将自变量和因变量之间的关系可视化。
在Excel中，选择插入->散点图，可以选择带有线条或仅带有散点的散点图。
根据上面的数据，得到的散点图应该如下：（插入散点图）第三步：添加趋势线为了更直观地展示自变量和因变量之间的关系，需要添加趋势线。
在Excel中，右键单击散点图上的任意一个数据点，选择“添加趋势线”。
在“添加趋势线”对话框中，选择“线性”类型，勾选“显示方程式”选项，点击“确定”。
得到以下图表：第四步：计算线性回归方程Excel自带一个计算线性回归方程的函数：LINST。
在Excel中，可以直接在某个单元格中输入以下公式：=LINST(因变量的单元格范围, 自变量的单元格范围, TRUE, TRUE)例如：结果如下：（插入计算结果图表）其中，- 第一个TRUE表示需要截距项；- 第二个TRUE表示需要进行常规数组计算。
根据上面的结果，得到的线性回归方程为：y = 1.375x + 1.550第五步：预测结果在得到线性回归方程之后，可以使用该方程进行预测。
例如，如果自变量为12，则根据上述方程预测因变量的值应为：因此，当自变量为12时，因变量的预测值为18.7。
通过以上五个步骤，可以使用Excel进行简单的线性回归分析。
当然，Excel还提供了更多高级的统计分析功能，如多元线性回归、逻辑回归、二项式分布等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
文档内容1. 利用Excel进行一元线性回归分析2. 利用Excel进行多元线性回归分析1. 利用Excel进行一元线性回归分析第一步，录入数据以连续10年最大积雪深度和灌溉面积关系数据为例予以说明。
录入结果见下图（图1）。
图1第二步，作散点图如图2所示，选中数据（包括自变量和因变量），点击“图表向导”图标；或者在“插入”菜单中打开“图表（H）”。
图表向导的图标为。
选中数据后，数据变为蓝色（图2）。
图2点击“图表向导”以后，弹出如下对话框（图3）：图3在左边一栏中选中“XY散点图”，点击“完成”按钮，立即出现散点图的原始形式（图4）：灌溉面积y(千亩)1020304050600102030灌溉面积y(千亩)图4第三步，回归观察散点图，判断点列分布是否具有线性趋势。
只有当数据具有线性分布特征时，才能采用线性回归分析方法。
从图中可以看出，本例数据具有线性分布趋势，可以进行线性回归。
回归的步骤如下：1.首先，打开“工具”下拉菜单，可见数据分析选项（见图5）：图5用鼠标双击“数据分析”选项，弹出“数据分析”对话框（图6）：图62.然后，选择“回归”，确定，弹出如下选项表（图7）：图7进行如下选择：X、Y值的输入区域（B1:B11，C1:C11），标志，置信度（95%），新工作表组，残差，线性拟合图（图8-1）。
或者：X、Y值的输入区域（B2:B11，C2:C11），置信度（95%），新工作表组，残差，线性拟合图（图8-2）。
注意：选中数据“标志”和不选“标志”，X、Y值的输入区域是不一样的：前者包括数据标志：最大积雪深度x(米) 灌溉面积y(千亩)后者不包括。
这一点务请注意（图8）。
图8-1包括数据“标志”图8-2不包括数据“标志”3.再后，确定，取得回归结果（图9）。
图9线性回归结果4. 最后，读取回归结果如下：截距：356.2=a ；斜率：813.1=b ；相关系数：989.0=R ；测定系数：979.02=R ；F 值：945.371=F ；t 值：286.19=t ；标准离差（标准误差）：419.1=s ；回归平方和：854.748SSr =；剩余平方和：107.16SSe =；y 的误差平方和即总平方和：961.764SSt =。
5. 建立回归模型，并对结果进行检验模型为：x y813.1356.2ˆ+= 至于检验，R 、R 2、F 值、t 值等均可以直接从回归结果中读出。
实际上，8,05.0632.0989416.0R R =>=，检验通过。
有了R 值，F 值和t 值均可计算出来。
F 值的计算公式和结果为：8,05.0222232.5945.371)989416.01(11101989416.0)1(11F R k n R F =>=---=---=显然与表中的结果一样。
T 值的计算公式和结果为：8,05.02306.2286.191110979416.01979416.011t k n R R t =>=---=---=回归结果中给出了残差（图10），据此可以计算标准离差。
首先求残差的平方22)ˆ(i i i yy -=ε，然后求残差平方和107.16174.0724.11012=++==∑==Λn i iS ε，于是标准离差为419.18107.161)ˆ(1112===---=∑=S v y y k n s ni ii 于是15.0~1.0%15~100388.053.36419.1=<==y s图10y 的预测值及其相应的残差等进而，可以计算DW 值（参见图11），计算公式及结果为751.0417.0)911.1()313.1()833.0417.0()313.1911.1()(DW 2222212221=++-+--+++-=-=∑∑==-ΛΛni ini i i εεε取05.0=α，1=k ，10=n （显然81110=--=v ），查表得94.0=l d ，29.1=u d 。
显然，DW=0.751<94.0=l d ，可见有序列正相关，预测的结果令人怀疑。
图11利用残差计算DW 值利用Excel 快速估计模型的方法：2.用鼠标指向图4中的数据点列，单击右键，出现如下选择菜单（图12）：图122. 点击“添加趋势线®”，弹出如下选择框（图13）：图133. 在“分析类型”中选择“线性(L)”，然后打开选项单（图14）：图144. 在选择框中选中“显示公式(E)”和“显示R 平方值®”（如图14），确定，立即得到回归结果如下（图15）：图表标题y = 1.8129x + 2.3564R 2 = 0.978901020304050600102030灌溉面积y(千亩)线性 (灌溉面积y(千亩))图15在图15中，给出了回归模型和相应的测定系数即拟合优度。
顺便说明残差分析：如果在图8中选中“残差图(D)”，则可以自动生成残差图（图12）。
图16回归分析原则上要求残差分布是无趋势的，如果在图中添加趋势线，则趋势线应该是与x轴平行的，且测定系数很小。
事实上，添加趋势线的结果如下（图17）：图17可见残差分布图基本满足回归分析的要求。
预测分析虽然DW检验似乎不能通过，但这里采用的变量相关分析，与纯粹的时间序列分析不同（时间序列分析应该以时间为自变量）。
从残差图看来，模型的序列似乎并非具有较强的自相关性，因为残差分布相当随机。
因此，仍有可能进行预测分析。
现在假定：有人在1981年测得最大积雪深度为27.5米，他怎样预测当年的灌溉面积？下面给出Excel 2000的操作步骤：2.在图9所示的回归结果中，复制回归参数（包括截距和斜率），然后粘帖到图1所示的原始数据附近；并将1981年观测的最大积雪深度27.5写在1980年之后（图18）。
图182. 将光标至于图18所示的D2单元格中，按等于号“＝”，点击F2单元格（对应于截距a=2.356…），按F4键，按加号“＋”，点击F3单元格（对应于斜率b=1.812…），按F4键，按乘号“*”，点击B2单元格（对应于自变量x 1），于是得到表达式“=$F$2+$F$3*B2”（图19）,相当于表达式11*ˆx b a y+=，回车，立即得到9128.29ˆ1=y ，即1971年灌溉面积的计算值。
图193. 将十字光标标至于D2单元格的右下角，当粗十字变成细十字以后，按住鼠标左键，往下一拉，各年份的灌溉面积的计算值立即出现，其中1981年对应的D12单元格的52.212即我们所需要的预测数据，即有212.52ˆ11=y千亩（图20）。
图204. 进一步地，如果可以测得1982年及其以后各年份的数据，输入单元格B13及其下面的单元格中，在D13及其以下的单元格中，立即出现预测数值。
例如，假定1982年的最大积雪深度为7.2312=x 米，可以算得323.45ˆ12=y千亩；1983年的最大积雪深度为7.1513=x ，容易得到819.31ˆ13=y千亩（图21）。
图21预测结果（1981－1983）最后大家思考一下为什么DW 检验对本例中的问题未必有效？2. 利用Excel进行多元线性回归分析【例】某省工业产值、农业产值、固定资产投资对运输业产值的影响分析。
Excel 2000的操作方法与一元线性回归分析大同小异：第一步，录入数据（图1）。
图1 录入的原始数据第二步，数据分析1. 沿着主菜单的“工具（T）”→“数据分析（D）…”路径打开“数据分析”对话框，选择“回归”，然后“确定”，弹出“回归”分析对话框，对话框的各选项与一元线性回归基本相同（图2）。
下面只说明x值的设置方法：首先，将光标置于“X值输入区域（X）”中（图2）；然后，从图1所示的C1单元格起，至E19止，选中用作自变量全部数据连同标志，这时“X值输入区域（X）”的空白栏中立即出现“$C$1:$E$19”——当然，也可以通过直接在“X值输入区域（X）”的空白栏中输入“$C$1:$E$19”的办法实现这一步骤。
注意：与一元线性回归的设置一样，这里数据范围包括数据标志：工业产值x1农业产值x2固定资产投资x3运输业产值y故对话框中一定选中标志项（图3）。
如果不设“标志”项，则“X值输入区域（X）”的空白栏中应为“$C$2:$E$19”，“Y值输入区域（Y）”的空白栏中则是“$F$2:$F$19”。
否则，计算结果不会准确。
图2 x值以外的各项设置图3 设置完毕后的对话框（包括数据标志）2. 完成上述设置以后，确定，立即给出回归结果。
由于这里的“输出选项”选中了“新工作表组（P ）”（图3），输出结果在出现在新建的工作表上（图4）。
从图4的“输出摘要（SUMMARY OUTPUT ）”中可以读出： 0044.1-=a ，053326.01=b ，00402.02-=b ，090694.03=b ，994296.0=R ，988625.02=R ，335426.0=s ，5799.405=F ，940648.21=b t ，28629.02-=b t ，489706.33=b t 。
根据残差数据，不难计算DW 值，方法与一元线性回归完全一样。
根据回归系数可以建立如下多元线性模型：321090694.000402.055326.00044.1ˆx x x y+-+-= 由于① x 2的回归系数b 2的符号与事理不符，② b 2的t 检验值为负，③ b 2的绝对值很小，可以判定，自变量之间可能存在多重共线性问题。
图4 第一次回归结果3. 剔除异常变量x2（农业产值），用剩余的自变量x1、x3与y回归（图5），回归步骤无非是重复上述过程（参见图6，注意这里没设数据“标志”），最后给出的回归结果（图7）。
图5 剔除异常变量“农业产值（x2）”图6 回归对话框的设置（不包括数据标志）从图7中容易读出回归结果：89889.0-=a ，051328.01=b ，091229.03=b ，994263.0=R ，988558.02=R ，324999.0=s ，973.647=F ，200968.41=b t ，632285.33=b t 。
显然，相对于第一次回归结果，回归系数的符号正常，检验参数F 值提高了，标准误差s 值降低了，t 值检验均可通过。
相关系数R 有所降低，这也比较正常——一般来说，增加变量数目通常提供复相关系数，减少变量则降低复相关系数。
回归结果可以接受，建立二元回归模型如下：89889.0091229.0051328.031-+=x x y或者89889.0*091229.0*051328.0固定资产投资－工业产值＋运输业产值＝图7 剔除“农业产值”后的回归结果文档大全。