回归分析助手
地图帮2026-03-10
回归分析助手
用线性回归找出自变量和因变量之间的数学关系，回答"广告费每多花 1 万，销售额能多多少"这类问题：系数是多少、模型能解释多少比例的变化、结果是不是统计上显著。
准备至少两列数值数据
- 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）
四步跑通一次回归
导入数据。打开数据魔方，点顶部「数据分析」标签页，进「回归分析助手」卡片，导入数据文件。系统自动识别数值列。
选择变量。在参数面板里设置：
- 因变量（Y）：想预测或解释的指标（比如"销售额"），只能选 1 列
- 自变量（X）：认为会影响因变量的指标（比如"广告费"）。选 1 列是一元回归（画出来是一条直线），选多列是多元回归（同时考虑多个因素）
查看结果。点「开始分析」，结果分几部分。
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。加了一个自变量后调整 R² 反而下降，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 - 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。不用记定义，只需要知道 p 值越小越靠谱，小于 0.05 就算显著
残差表：每一行实际值和预测值的差距，残差越小模型拟合越好。
散点回归图（仅一元回归）：横轴自变量、纵轴因变量，中间一条回归直线。数据点越贴近直线，线性关系越强。
导出结果。点「导出」把回归系数表和残差表保存为 Excel。
因变量和自变量不能重复
想分析"广告费对销售额的影响"，自变量里又勾了"销售额"，就变成自己预测自己了：R² 接近 1，看起来完美但毫无意义。
R²
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"可能是曲线关系，线性回归的 R² 自然不高。R² = 0.3 也有价值，说明找到了一个能解释 30% 变化的因素。
确认模型跑通了
R²、回归系数和 p 值都出来了，散点图上的直线也合理，说明回归完成。