返回目录：excel表格制作
前面几天的内容理论比较多，不过所幸基本上讲得告一段落了，所以今天可以直接上个实例
比方说我们有这样一串数据：
一百七十几行的内容略微有点长，所以这里画成折线图表示：
由于本人不是那个专业领域滴人，也不想砸人家饭碗，所以就不明说这串按日期排布的数据是神马东西了，咱就老老实实的做咱的线性回归：
添加完趋势线，勾选显示y=ax+b样式的公式和R平方的值（0.905），目前看起来R平方还蛮高的，貌似是个颇有前途的线性回归
由于我们接下来的计算需要算残差，那肯定要把公式y=ax+b中的a值和b值弄出来，出于精确度考虑，本人是不会直接照着图上的数K进格子里做计算的，因为那会损失小数点后面的位数
在之前专门写线性回归那篇里，我有用数组公式写过a、b值的计算方法，但那个还不是最简便的，因为Excel其实有自带的函数专门用来算这两个值（不幸暴露了自己当初的傻）：
常数b=INTERCEPT (y值区域, x值区域)
系数a=SLOPE (y值区域,x值区域)
当然，计算R平方的也有：R2=RSQ(y值区域, x值区域)
在这里例子中，计算结果如下：
然后，我们在源数据旁边增加两列，一列是根据直线推断出来的y值，另一列是推断值和实际值的差，也就是残差数据：
还是用图表表示，只不过这回是散点图，看起来绝大多数数值都集中在-200到+200之间，而且上下两边还算均匀
然后，现在残差值有了，那下一步怎么办呢？
理论上来说，如果我们不希望线性回归的结果和实际值有太大偏差，那肯定就想要残差尽可能的小，残差的总体平均也最好就是0，而z检验公式就是用来验证平均值的
这里抄一下书上的公式：
其中X是我们要验证的残差的平均数，u是我们期望的平均数0，S是总体标准差，n是数据的个数
因为懒得一个个打公式，这里我直接用了Excel数据分析工具里的描述性分析，一次性得到了残差数列的大致特征：
把相关的几个数据代入到z检验公式，计算出Z值：
一般取显著性水平ɑ=0.05时，Z值只要小于1.96就可以判断为两平均数没有差别了，按这里的计算结果，简直是无悬念胜出，看来，我们这个线性回归做得还算挺成功的。。。。。。但我怎么觉得这个结果有点忧伤呢~~~~~~~~
----------------------End----------------------