使用Excel數據分析工具進行多元回歸分析使用Excel數據分析工具進行多元回歸分析與簡單的回歸估算分析方法基本相同。但是由于有些電腦在安裝辦公軟件時并未加載數據分析工具，所以從加載開始說起（以Excel2010版為例，其余版本都可以在相應界面找到）。點擊“文件”，如下圖：

在彈出的菜單中選擇“選項”，如下圖所示：

在彈出的“選項”菜單中選擇“加載項”，在“加載項”多行文本框中使用滾動條找到并選中“分析工具庫”，然后點擊最下方的“轉到”，如下圖所示：

在彈出的“加載宏”菜單中選擇“分析工具庫”，然后點擊

“確定”，如下圖所示：加載完畢，在“數據”工具欄中就出現“數據分析”工具庫，如下圖所示：第一張表是“回歸統計表”(K12：L17):其中：MultipleR：（復相關系數R）R2的平方根，又稱相關系數，用來衡量自變量x與y之間的相關程度的大小。本例R=0.9134表明它們之間的關系為高度正相關。（Multiple：復合、多種）RSquare：復測定系數，上述復相關系數R的平方。用來說明自變量解釋因變量y變差的程度，以測定因變量y的擬合效果。此案例中的復測定系數為0.8343，表明用用自變量可解釋因變量變差的83.43%AdjustedRSquare：調整后的復測定系數R2，該值為0.6852，說明自變量能說明因變量y的68.52%，因變量y的31.48%要由其他因素來解釋。（

Adjusted：調整后的）標準誤差：用來衡量擬合程度的大小，也用于計算與回歸相關的其它統計量，此值越小，說明擬合程度越好觀察值：用于估計回歸方程的數據的觀察值個數。第二張表是“方差分析表”：主要作用是通過F檢驗來判定回歸模型的回歸效果。該案例中的SignificanceF（F顯著性統計量）的P值為0.00636，小于顯著性水平0.05，所以說該回歸方程回歸效果顯著，方程中至少有一個回歸系數顯著不為0.（Significance：顯著）第三張表是“回歸參數表”：K26：K35為常數項和b1～b9的排序默認標示。L26：L35為常數項和b1～b9的值，據此可得出估算的回歸方程為：該表中重要的是O列,該列的O26：O35中的

P-value為回歸系數t統計量的P值。值得注意的是：其中b1、b7的t統計量的P值為0.0156和0.0175，遠小于顯著性水平0.05，因此該兩項的自變量與y相關。而其他各項的t統計量的P值遠大于b1、b7的t統計量的P值，但如此大的P值說明這些項的自變量與因變量不存在相關性，因此這些項的回歸系數不顯著?；貧w分析是一種應用很廣的數量分析方法，用于分析事物間的統計關系，側重數量關系變化?；貧w分析在數據分析中占有比較重要的位置。一元線性回歸模型：指只有一個解釋變量的線性回歸模型，用來揭示被解釋變量與另一個解釋變量的線性關系。多元線性回歸模型：指含有多個揭示變量的線性回歸模型，用來揭示被解釋變量與多個解釋變量的線性關系。此篇文章主要講述多元線性回歸分析。方法/步驟線性回歸分析的內容比較多，比如回歸方程的擬合優度檢驗、回歸方程的顯著性檢驗、回歸系數的顯著性檢驗、殘差分析、變量的篩選問題、變量的多重共線性問題。操作見圖?；貧w分析通常需要多次試驗操作才可以得出較好的模型?！胺椒ā敝羞x擇“進入”，表示所有的自變量都進入模型，目前還沒有考慮到變量的多重共線問題，要先觀察初步的結果分析，才會考慮發哦變量的多重共線問題。3通過觀察調整后的判定系數0.924，擬合優度較高，不被解釋的變量較少。由回歸方程顯著性檢驗的概率為0，小于顯著性水平0.05，則認為系數不同時為0，被解釋變量與解釋變量全體的線性關系是顯著的，可建立線性方程。由系數表知，觀察回歸系數顯著性檢驗中的概率值，如果顯著性水平為0.05，除去“投入人年數”外，其他變量均大于顯著性水平，這些變量保留在方程中是不正確的。所以該模型不可用，應重新建模。4重新建模操作見圖片，采用的是“向后篩選”方法，依次剔除的變量是專著數、投入高級職稱的人年數、投入科研事業費、獲獎數、論文數。最后的模型結果是“立項課題數=-94.524+0.492x投入人年數”。5殘差分析：又P-P圖可知，原始數據與正態分布的不存在顯著的差異，殘差滿足線性模型的前提要求。由庫克距