NxRegress - Regresión

Mohamad

24 de octubre de 2016 23:34

Calcula el valor de la función de regresión por un valor x intermedio.

Sintaxis

NxRegress(X, Y, Regression_type, POrder, Const, target, Return_type, Alpha)

X

es el componente x de la tabla de datos de entrada (un array unidimensional de celdas (Por ejemplo: filas o culumnas)).

Y

es el componente y (es decir, la función) de la tabla de datos de entrada (un array unidimensional de celdas (Ej.Filas y Columnas)).

Regression_type

es la descripción bandera del modelo para la función de la tendencia (1 = Lineal (defecto), 2 = Polinomial, 3 = Exponencial, 4 = Logaritmica, 5 = Poderoso).

Orden	Descripción
1	Lineal (defecto)
2	Polinomial
3	Exponencial
4	Logaritmica
5	Poder

POrder

es el orden del polinomio. Esto es unicamente importante para un polinomio tipo tendencia y es ignorado para todos los otros. Si falta, POrder = 1.

Const

es la constante o el valor intercepto para fijar (Ej. cero). Si falta, un intercepto no sera fijado y se calcula normalmente.

target

es el valor x deseado para calcular el valor de regresión (un solo valor).

Return_type

es un switch para seleccionar la salida de resulatados (1 = Valor Pronosticado (defecto), 2 = Límite Superior, 3 = Límite Inferior, 4 = R-Cuadrado).

Método	Descripción
1	Valor pronosticado (defecto)
2	Límite Superior. Intervalo de Confianza.
3	Límite Inferior.Intervalo de Confianza.
4	R-Cuadrado

Alpha

es la significancia estadística o nivel de confianza (Es decir, alpha). Si falta o es omitido, se asume un valor alpha de 5%.

Observaciones

NxRegress apoya la siguientes funciones de tendencia:
$$ \begin{cases} \mathrm{Linear} & Y=\alpha + \beta \times X \\ \mathrm{Polynomial} & Y=\alpha + \beta_1 \times X + \beta_2 \times X^2 + \cdots + \beta_N \times X^N \\ \mathrm{Exponential:} & Y= \alpha \times e^{\beta \times X} \\ \mathrm{Logarithm:} & Y= \alpha + \beta \times \ln(X) \\ \mathrm{Power:} & Y= \alpha \times X^{\beta} \\ \end{cases} $$
Para tenedncias exponenciales y logaritmicas, el valor del intercepto no esta permitido para ser fijado y entonces se ignora.
El argumento de orden polinomial dee ser un entero positivo.
Los coeficientes de la funcion de la tendencia que mejor se ajustan a sus datos son estimados usando el método de "mínimos cuadrados "
las series de tiempo puedne incluir valores faltantes (Ej. #N/A) en cada extremo.

Ejemplos

Ejemplo 1:


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

A	B
Datos	Datos
3.967	14.241
2.055	9.775
3.633	13.741
2.624	10.348
4.203	17.102
3.119	13.292
4.994	17.729
3.262	12.138
4.985	18.810
2.116	8.195
2.695	11.446
2.937	11.329
4.082	14.998
3.104	11.807
2.947	12.963
4.347	17.000
2.894	10.687
4.907	17.193
4.723	18.091
4.750	18.894

Fórmula	Descripción (Resultado)
=NxRegress($A$1:$A$20,$B$1:$B$20,1,,,2,1)	Linear NxRegress (8.633)
=NxRegress($A$1:$A$20,$B$1:$B$20,2,,,3,1)	Polynomial NxRegress (11.945)
=NxRegress($A$1:$A$20,$B$1:$B$20,3,,,2,1)	Exponential NxRegress (9.185)
=NxRegress($A$1:$A$20,$B$1:$B$20,4,,,3,1)	Logarithmic NxRegress (12.275)
=NxRegress($A$1:$A$20,$B$1:$B$20,5,,,2,1)	Power NxRegress (8.515)

Ejemplos de archivos

Enlaces Relacionados

Wikipedia - Regresión lineal

Referencias

Hamilton, J .D.; Time Series Analysis , Princeton University Press (1994), ISBN 0-691-04289-6
Tsay, Ruey S.; Analysis of Financial Time Series John Wiley & SONS. (2005), ISBN 0-471-690740