Moving Average Regression Excel

Média móvel Este exemplo ensina como calcular a média móvel de uma série temporal no Excel. Um avearge móvel é usado para suavizar irregularidades (picos e vales) para reconhecer facilmente as tendências. 1. Primeiro, vamos dar uma olhada em nossas séries temporais. 2. Na guia Dados, clique em Análise de dados. Nota: não consigo encontrar o botão Análise de dados Clique aqui para carregar o complemento Analysis ToolPak. 3. Selecione Média móvel e clique em OK. 4. Clique na caixa Intervalo de entrada e selecione o intervalo B2: M2. 5. Clique na caixa Intervalo e digite 6. 6. Clique na caixa Gama de saída e selecione a célula B3. 8. Traçar um gráfico desses valores. Explicação: porque definimos o intervalo para 6, a média móvel é a média dos 5 pontos de dados anteriores e o ponto de dados atual. Como resultado, picos e vales são alisados. O gráfico mostra uma tendência crescente. O Excel não pode calcular a média móvel para os primeiros 5 pontos de dados porque não há suficientes pontos de dados anteriores. 9. Repita os passos 2 a 8 para o intervalo 2 e o intervalo 4. Conclusão: quanto maior o intervalo, mais os picos e os vales são alisados. Quanto menor o intervalo, mais próximas as médias móveis são para os pontos de dados reais. Revisão Este exemplo ensina como executar uma análise de regressão no Excel e como interpretar a saída de resumo. Abaixo você pode encontrar nossos dados. A grande questão é: existe uma relação entre Quantidade Vendida (Saída) e Preço e Publicidade (Entrada). Em outras palavras: podemos prever Quantidade Vendida se conhecemos Preço e Publicidade 1. Na guia Dados, clique em Análise de Dados. Nota: não consigo encontrar o botão Análise de dados Clique aqui para carregar o complemento Analysis ToolPak. 2. Selecione Regressão e clique em OK. 3. Selecione o intervalo Y (A1: A8). Esta é a variável preditor (também chamada de variável dependente). 4. Selecione a faixa X (B1: C8). Estas são as variáveis ​​explicativas (também chamadas de variáveis ​​independentes). Essas colunas devem ser adjacentes entre si. 6. Selecione um intervalo de saída. 7. Verifique os resíduos. O Excel produz a seguinte saída de resumo (arredondada para 3 casas decimais). R Square é igual a 0,962. Que é um ajuste muito bom. 96 da variação na Quantidade Vendida é explicada pelas variáveis ​​independentes Preço e Publicidade. Quanto mais perto de 1, melhor a linha de regressão (lida) se encaixa nos dados. Significado F e P-valores Para verificar se seus resultados são confiáveis ​​(estatisticamente significativos), veja Significance F (0.001). Se esse valor for inferior a 0,05, você está OK. Se o Significado F for maior que 0,05, provavelmente é melhor parar de usar este conjunto de variáveis ​​independentes. Exclua uma variável com um alto valor de P (maior que 0,05) e execute novamente a regressão até o Significado F cair abaixo de 0,05. A maioria ou todos os valores de P devem estar abaixo de 0,05. No nosso exemplo, esse é o caso. (0,000, 0,001 e 0,005). Coeficientes A linha de regressão é: y Quantidade Vendida 8536.214 -835.722 Preço 0.592 Publicidade. Em outras palavras, para cada aumento de preço de unidade, Quantidade Vendida diminui com 835.722 unidades. Para cada aumento de unidade na publicidade, a quantidade vendida aumenta com 0,592 unidades. Esta é uma informação valiosa. Você também pode usar esses coeficientes para fazer uma previsão. Por exemplo, se o preço igual a 4 e a publicidade for igual a 3000, você poderá conseguir uma Quantidade vendida de 8536.214 -835.722 4 0.592 3000 6970. Os resíduos mostram o quão longe os pontos de dados reais são os pontos de dados previstos (usando o equação). Por exemplo, o primeiro ponto de dados é igual a 8500. Usando a equação, o ponto de dados previsto é igual a 8536.214 -835.722 2 0.592 2800 8523.009, dando um resíduo de 8500 - 8523.009 -23.009. Você também pode criar um gráfico de dispersão desses resíduos.