回归分析助手
回归分析助手
广告费每多花 1 万，销售额能多多少？
你做了相关性分析，发现"广告投入"和"销售额"确实有很强的正相关。但你想知道一个更具体的数字：广告费每多花 1 万块，销售额大概能多多少？这个关系有多靠谱？
回归分析助手帮你算出这个数字。它用线性回归的方法，找出自变量（比如广告费）和因变量（比如销售额）之间的数学关系，告诉你系数是多少、这个模型能解释多少比例的变化、结果是不是统计上显著的。
你需要准备什么
- 一份 Excel 或 CSV 文件，至少包含 2 列数值数据（1 列做因变量，1 列或多列做自变量）
跟着走
第一步：导入数据
打开数据魔方，点击顶部「数据分析」标签页，找到「回归分析助手」卡片，点进去。
导入你的数据文件。系统会自动识别数值列。
第二步：选择变量
在参数面板里设置：
- 因变量（Y） —— 你想预测或解释的那个指标（比如"销售额"）。只能选 1 列
- 自变量（X） —— 你认为会影响因变量的指标（比如"广告费"）。可以选 1 列（一元回归）或多列（多元回归）
选 1 个自变量，就是一元线性回归 —— 画出来是一条直线。选多个自变量，就是多元线性回归 —— 同时考虑多个因素的影响。
⚠️ 这里很多人会犯一个错：把因变量也选进了自变量里。比如想分析"广告费对销售额的影响"，结果自变量里也勾了"销售额" —— 那就变成自己预测自己了，R² 会接近 1，看起来完美但毫无意义。因变量和自变量不能重复。
第三步：查看结果
点击「开始分析」按钮。结果包含几部分：
模型概要：
| 指标 | 说明（用人话） |
|---|---|
| R² | 模型的解释力。0 到 1 之间，越大越好。R² = 0.75 意味着自变量能解释 75% 的因变量变化，剩下 25% 是其他因素或随机波动 |
| 调整 R² | 和 R² 类似，但对自变量个数做了惩罚。自变量越多，R² 总是会涨，但调整 R² 不一定。如果加了一个自变量后调整 R² 反而下降了，说明这个变量没帮上忙 |
| F 统计量 | 模型整体是不是显著。F 值越大越好，对应的 p 值越小越好 |
回归系数表：
| 变量 | 系数 | 标准误 | p 值 |
|---|---|---|---|
| 截距 | 5000.00 | 1200.00 | 0.001 |
| 广告费 | 3.25 | 0.45 | 0.000 |
这张表告诉你：
- 系数 3.25 —— 广告费每增加 1 万，销售额大约增加 3.25 万
- p 值 —— 这个系数是不是统计上显著的。p < 0.05 通常认为显著 —— 也就是说，这个关系不太可能是偶然的
不用记住"p 值"的定义。你只需要知道：p 值越小越靠谱，小于 0.05 就算显著。
残差表： 每一行的实际值和预测值的差距。残差越小，说明模型拟合得越好。
散点回归图（一元回归）： 如果你只选了 1 个自变量，系统还会自动生成一张散点图 —— 横轴是自变量、纵轴是因变量，中间画了一条回归直线。数据点越贴近直线，说明线性关系越强。
💡 说到这里要特别提醒你：R² 低不一定是坏事。现实中很多关系本来就不是线性的 —— 比如"温度"和"冰激凌销量"之间的关系可能是曲线形的，用线性回归 R² 自然不高。R² = 0.3 也有价值，说明你找到了一个能解释 30% 变化的因素。
第四步：导出结果
点击「导出」把回归系数表和残差表保存为 Excel。
做完了，检查一下
如果你看到了 R²、回归系数和 p 值，散点图上的直线也合理——说明回归分析已经跑通了。
接下来，你可以试试 相关性分析助手 看看还有哪些变量对之间有强关系，或者用 描述性统计助手 先检查一下残差的分布是否正常。