NxRegress - Regresión

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

  1. NxRegress apoya la siguientes funciones de tendencia:
    $$ \begin{cases} \mathrm{Linear} & Y=\alpha + \beta \times X \\ \mathrm{Polynomial} & Y=\alpha + \beta_1 \times X + \beta_2 \times X^2 + \cdots + \beta_N \times X^N \\ \mathrm{Exponential:} & Y= \alpha \times e^{\beta \times X} \\ \mathrm{Logarithm:} & Y= \alpha + \beta \times \ln(X) \\ \mathrm{Power:} & Y= \alpha \times X^{\beta} \\ \end{cases} $$
  2. Para tenedncias exponenciales y logaritmicas, el valor del intercepto no esta permitido para ser fijado y entonces se ignora.
  3. El argumento de orden polinomial dee ser un entero positivo.
  4. Los coeficientes de la funcion de la tendencia que mejor se ajustan a sus datos son estimados usando el método de "mínimos cuadrados "
  5. 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

Referencias

¿Tiene más preguntas? Enviar una solicitud

0 Comentarios