Excel实现线性回归分析——高尔顿数据集、四重奏数据集

一、高尔顿数据集进行线性回归分析

（一）父母身高平均值和其中一个子女身高进行回归分析

1.对数据集的数据进行预处理
①通过Excel求每个家庭父母身高的平均值
求平均值的方法
选择平均值输出的位置，点击图中红框内容，然后输入进行计算的数据所在的位置。接着，选择所有输出平均值的区域，Ctrl+D就可以快速计算出多行的平均值。

②每个家庭保留一个子女的身高
选择数据->选择需要去重的区域->选择删除重复值->扩展选定区域

只勾选去重的列

2.对数据进行数据分析
选择数据->数据分析->回归->确定
将每对夫妇的平均身高作为自变量X，他们其中一个子女的身高作为因变量Y。将对应数据的位置进行输入，并按照图中进行勾选。

生成图表

3.添加趋势线
选中数据点，右键选择添加趋势线

选择线性，并勾选上显示公式

通过选中图表的一些部分，对其参数进行一些设置，使其更具清晰具体。
最终生成图表

4.对相关数据的说明
通过上面的公式y=0.5702x+31.801,发现当父母身高每增加1个单位，其子女的身高平均增加0.5702个单位。
相关系数R平方计算的结果约为0.12，表面父母身高的平均值与子女身高的线性不具相关性（拟合程度不高）。通过方差分析的表格可以看出F>F表，说明数据存在显著差异。P值远小于0.01，说明得到的回归方程是可靠的。

（二）父亲的身高和其中一个子女身高进行回归分析

得到回归方程的方法和上面操作类似
回归结果

通过上面的公式y=0.2962x+49.27,发现当父母身高每增加1个单位，其子女的身高平均增加0.2962个单位。
相关系数R平方计算的结果约为0.06，表面父母身高的平均值与子女身高的线性不具相关性（拟合程度很低）。通过方差分析的表格可以看出F>F表，说明数据存在显著差异。P值远小于0.01，说明得到的回归方程是可靠的。

通过上面方式之间的对比，采用父母的平均身高与子女身高得到的回归方程会更好。但是此处在去除重复项的时候存在一些问题，保留下来的子女身高是家庭中子女的最大值。我想如果在子女的身高上取平均值或者是随机取其中的一个身高，进行回归分析得到的线性回归方程应该会更好拟合数据。由于对于Excel使用还不是特别熟悉，数据集比较大，做的这样步还需要一定时间，所以就没有验证想法。

（三）父亲的身高和儿子身高进行回归分析

1.对数据进行处理
筛选出儿子的身高数据行


2.进行数据回归分析
具体方法同上
回归结果

通过上面的公式y=0.2547x+49.872,发现当父亲身高每增加1个单位，其儿子的身高平均增加0.2547个单位。同时说明父亲身高和儿子身高成正相关。
相关系数R平方计算的结果约为0.7969，表面父亲身高与儿子身高的线性相关性比较高。通过方差分析的表格可以看出F>F表，说明数据存在显著差异。P值远小于0.01，说明得到的回归方程是可靠的。

（四）母亲身高和儿子身高进行回归分析

方法同上

通过上面的公式会发现母亲身高和儿子身高成负相关，而且相关系数R的平方很小，说明两者不具有相关性。
通过上面两者的对比，发现儿子身高跟父亲身高具有的相关性会更大。父亲身高对儿子身高是成正相关的，母亲的身高跟儿子的身高不具相关性。从数据表明，儿子的身高主要受父亲身高的影响。

二、Anscombe四重奏数据集进行线性回归分析

1.表1
从图中可以看出线性并不是很能够表现原始数据的一个变化趋势，所有该线性回归方程不成立。通过采用其他的回归曲线来测试，发现对于6次的多项式的回归方程来说，会比线性回归方程更好表现数据的变化趋势。


2.表2
从图中可以看出线性并不是很能够表现原始数据的一个变化趋势，所有该线性回归方程不成立。通过采用其他的回归曲线来测试，发现对于2次的多项式的回归方程来说，会比线性回归方程更好表现数据的变化趋势。


3.表3
从图中可以看出线性基本能够表现原始数据的一个变化趋势，只存在极少的极端数据，所有该线性回归方程基本能够体现该数据集的一个变化情况。


4.表4
从图中可以看出线性并不能表现原始数据的一个变化趋势，所有该线性回归方程不成立。可以发现数据基本上不能够用线性来描述，应该将数据自变量和因变量交换位置来进行分析，可能能够用回归数据进行分析。


从四个表的分析结果可以看出，R值，P值并不是很好可以说明回归方程是否合适。对于四组不同的数据集，却得到相同的R值，P值，但是，并不是每个都能够使用这个回归方程来说明。

小结

通过两个数据集的线性回归分析，可以发现对于得到的回归方程可以使用R值，P值来说明回归方程的好坏，但是，并不是所有数据集都能够用此说明。对于回归方程是否适用，还需要进一步的进行分析，判断，才能够说明。