philosopy_valueVLOOKUP函数_百度百科
VLOOKUP函数
是中的一个纵向查找，它与和属于一类函数，在工作中都有广泛应用。VLOOKUP是按列查找，最终返回该列所需查询列序所对应的值；与之对应的HLOOKUP是按行查找的。
该函数的语法规则如下：
VLOOKUP(lookup_value,table_array,col_index_num,range_lookup)
输入数据类型
lookup_value
要查找的值
数值、引用或文本字符串
table_array
要查找的区域
数据表区域
col_index_num
返回数据在查找区域的第几列数
range_lookup
TRUE（或不填） /FALSE
Lookup_value为需要在第一列中进行查找的数值。Lookup_value 可以为数值、引用或文本字符串。当vlookup函数第一参数省略查找值时，表示用0查找。
Table_array为需要在其中查找数据的。使用对区域或区域名称的引用。
col_index_num为table_array 中查找数据的数据列序号。col_index_num 为 1 时，返回 table_array 第一列的数值，col_index_num 为 2 时，返回 table_array 第二列的数值，以此类推。如果 col_index_num 小于1，函数 VLOOKUP 返回 #VALUE!；如果 col_index_num 大于 table_array 的列数，函数 VLOOKUP 返回错误值#REF!。
Range_lookup为一值，指明函数 VLOOKUP 查找时是精确匹配，还是近似匹配。如果为false或0 ，则返回精确匹配，如果找不到，则返回错误值 #N/A。如果 range_lookup 为TRUE或1，函数 VLOOKUP 将查找近似匹配值，也就是说，如果找不到精确匹配值，则返回小于 lookup_value 的最大数值。如果range_lookup 省略，则默认为近似匹配。
vlookup函数示例
所示，我们要在A2:F12区域中提取工号为、0010五人的全年总计销量，并对应的输入到I4:I8中。一个一个的手动查找在数据量大的时候十分繁琐，因此这里使用VLOOKUP函数演示：
首先在I4输入“=Vlookup(”，此时Excel就会提示4个参数。
Vlookup结果演示
第一个参数，显然，我们要让100003对应的是H4，这里就输入“H4,” ；
第二个参数，这里输入我们要查找的区域()，即“$A$2:$F$12,”；
第三个参数，“全年总计”是区域的第六列，所以这里输入“6”，输入“5”就会输入第四季度的项目了；
第四个参数，因为我们要精确查找工号，所以输入“FALSE&或者“0”。
最后补全最后的右括号“)”，得到公式“=VLOOKUP(H4,$A$2:$F$12,6,0)”，使用填充其他单元格即可完成查找操作。
VLOOKUP函数使用注意事项
一．VLOOKUP的语法
1．括号里有四个参数，是必需的。最后一个参数range_lookup是个值，我们常常输入一个0字，或者F其实也可以输入一个1字，或者true。两者有什么区别呢？前者表示的是完整寻找，找不到就传回错误值#N/A；后者先是找一模一样的，找不到再去找很接近的值，还找不到也只好传回错误值#N/A。
2．Lookup_value是一个很重要的参数，它可以是数值、文字字符串、或参照地址。我们常常用的是参照地址。用这个参数时，有三点要特别提醒：
A）参照地址的单元格格式类别与去搜寻的单元格格式的类别要一致，否则的话有时明明看到有资料，就是抓不过来。特别是参照地址的值是数字时，最为明显，若搜寻的单元格格式类别为文本格式，虽然看起来都是123，但是就是抓不出东西来的。
而且格式类别在未输入数据时就要先确定好，如果数据都输入进去了，发现格式不符，已为时已晚，若还想去抓，则需重新输入。
B）在使用参照时，有时需要将lookup_value的值固定在一个格子内，而又要使用下拉方式（或复制）将函数添加到新的单元格中去，这里就要用到“$”这个符号了，这是一个起固定作用的符号。比如说我始终想以D5格式来抓数据，则可以把D5弄成这样：$D$5，则不论你如何拉、复制，函数始终都会以D5的值来抓数据。
C) 用“&& 连接若干个单元格的内容作为查找的参数。在查找的数据有类似的情况下可以做到事半功倍。
3．Table_array是搜寻的范围，col_index_num是范围内的栏数。Col_index_num　不能小于1，其实等于1也没有什么实际用的。如果出现一个这样的错误的值#REF!，则可能是col_index_num的值超过范围的总字段数。选取Table_array时一定注意选择区域的首列必须与lookup_value所选取的列的格式和字段一致。比如lookup_value选取了“姓名”中的“张三”，那么Table_array选取时第一列必须为“姓名”列，且格式与lookup_value一致，否则便会出现#N/A的问题。
4.在使用该函数时，lookup_value的值必须在table_array中处于第一列。
二．VLOOKUP的错误值处理。
如果找不到数据，函数总会传回一个这样的错误值#N/A，这错误值其实也很有用的。
例如，如果我们想这样来作处理：如果找到的话，就传回相应的值，如果找不到的话，就自动设定它的值等于0，则函数可以写成这样：
=if(iserror(vlookup(1,2,3,0)),0,vlookup(1,2,3,0))
在Excel 2007以上版本中，以上等价于
=IFERROR(vlookup(1,2,3,0),0)
这句话的意思是：如果VLOOKUP函数返回的值是个错误值的话（找不到数据），就等于0，否则，就等于VLOOKUP函数返回的值（即找到的相应的值）。
这里又用了两个函数。
第一个是。它的语法是iferror(value)，即判断括号内的值是否为错误值，如果是，就等于true，不是，就等于false。
第二个是，这也是一个常用的函数的，后面有机会再跟大家详细讲解。它的语法是if(条件判断式，结果1，结果2)。如果条件判断式是对的，就执行结果1，否则就执行结果2。举个例子：=if(D2=””,”空的”,”有东西”)，意思是如D2这个格子里是空的值，就显示文字“空的”，否则，就显示“有东西”。（看起来简单吧？其实编程序，也就是这样子判断来判断去的。）
在Excel 2007以上版本中，可以使用iferror(value, value_if_error)代替以上两个函数的组合，该函数判断value表达式是否为错误值，如果是，则返回value_if_error，如果不是，则返回value表达式自身的值。
三．含有VLOOKUP函数的工作表档案的处理。
一般来说，含有VLOOKUP函数的工作表，如果又是在别的档案里抓取数据的话，档案往往是比较大的，尤其是当你使用的档案本身就很大的时候，那每次开启和存盘都是很受伤的事情。
有没有办法把文件压缩一下，加快开启和存盘的速度呢？这里提供一个小小的经验。
在工作表里，点击工具──选项──计算，把上面的更新远程参照和储存外部连结的勾去掉，再保存档案，则会加速不少，不信你可以试试。
下面详细的说一下它的原理。
1．含有VLOOKUP函数的工作表，每次在保存档案时，会同时保存一份其外部连结的档案。这样即使在单独打开这个工作表时，VLOOKUP函数一样可以抓取到数值。
2．在工作表打开时，微软会提示你，是否要更新远程参照。意思是说，你要不要连接最新的外部档案，好让你的VLOOKUP函数抓到最新的值。如果你有足够的耐心，不妨试试。
3．了解到这点，我们应该知道，每次单独打开含有VLOOKUP函数的工作表时，里面抓取外部档案的数值，只是上次我们存盘时保存的值。若要连结最新的值，必须要把外部档案同时打开。
Vlookup最容易出错的地方是查找区域的首列必须含有查找的内容。　　 比方说一个表，a列是序号，b列是姓名，c列是身份证，你在d列输入其中的一个姓名，在e1得到其身份证的公式不能是=vlookup(d1,a:c,3,0)，而应是=vlookup(d1,b:c,2,0).excel回归结果的每个值 都是什么含义，都是怎么来的？_百度知道
excel回归结果的每个值 都是什么含义，都是怎么来的？
图谢先尤其 Coeffucuents 面三值..求公式我 数据谢解答 数再加
提问者采纳
B列计算系数根据众数据算咱拿行数据演示假设结页Sheet2数据源页叫Sheet1根据选Y区域D8：D15X区域H8：I15咱拿第8行写公式：第8行：Sheet1!D8 ≈ Sheet2!B18 * Sheet1!H8 + Sheet2!B19 * Sheet1!I8
+Sheet2!B17带入数：≈4*120.744.47.64第9行：Sheet1!D9 ≈ Sheet2!B18 * Sheet1!H9 + Sheet2!B19 * Sheet1!I9
+Sheet2!B17第10行：Sheet1!D10≈ Sheet2!B18 * Sheet1!H10 + Sheet2!B19 * Sheet1!I10
+Sheet2!B17...根据所数据源推 Sheet2!B17=-、 Sheet2!B18=4、 Sheet2!B19=8三系数(注意公式字母I
数字1区别)
高人啊！！算是看懂了一点，有没有资料 或者说是我能和您聊聊吗？ 我koukou ！谢了
我就是刚在网上随便找了个ppt。看了看 excel的回归工具，看懂了。理解后给你解答的。这些都是大学虽然学过，但早忘了，现学现用。
提问者评价
非常感谢了....
其他类似问题
为您推荐：
其他4条回答
excelLINEST函数返线性归关参数用：LINEST(Y区域,X1:Xn区域) 函数返维数组包括归析各参数用INDEX函数提取归析表Coefficients参数：=INDEX(LINEST(...),1,1)返Xn系数=INDEX(LINEST(...),1,2)返Xn-1系数......=INDEX(LINEST(...),1,n)返X1系数=INDEX(LINEST(...),1,n+1)返Y截距 具体参考LINEST百度百科
第一张表“回归统计表”
Multiple R：（复相关系数R）R2的平方根，又称相关系数，用来衡量自变量x与y之间的相关程度的大小。
R Square：复测定系数，上述复相关系数R的平方。用来说明自变量解释因变量y变差的程度，以测定因变量y的拟合效果。
Adjusted R Square：调整后的复测定系数R2。
标准误差：用来衡量拟合程度的大小，也用于计算与回归相关的其它统计量，此值越小，说明拟合程度越好
观察值：用于估计回归方程的数据的观察值个数。
第二张表“方差分析表”：主要作用是通过F检验来判定回归模型的回归效果。
df是自由度，第一行是回归自由度，等于变量数；第二行是残差自由度，等于样本数-变量数-1；第三行为总自由度，等于样本数-1。
SS是误差平方和，第一行代表因变量的预测值对其平均值的总...
要了解这些值的含义，前提是对正态分布和回归分析，假设检验等有一定的了解。如果不能理解以下回答，建议再查阅有关概率统计教程。
回归分析用于确定两种或两种以上变数间相互依赖的定量关系，可以分一元回归分析和多元回归分析。你也可以理解成一元和多元方程。按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析，即一阶方程或者其他方程。
残差就是在回归分析中，测定值与按回归方程预测的值之差。这里可以理解成拟合方程的误差，绝大多数情况下的方程都只是近似。根据近似的精确度不同，或者说可信度不同，提出了p-value的概念。
从你给出的数据情况来看，应该是在做两元一次线形回归分析，貌似数据时自己随意输入的，并非实际观测数据。
先说第一个表格：回归统计参数
Multiple ...
coefficients下面第一个是常数项，第二个是X1的系数，第二个是X2的系数，算法蛮复杂的，你可以百度下多元回归的计算公式
excel的相关知识
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁用心创造滤镜
扫码下载App
汇聚2000万达人的兴趣社区下载即送20张免费照片冲印
扫码下载App
温馨提示！由于新浪微博认证机制调整，您的新浪微博帐号绑定已过期，请重新绑定！&&|&&
写写代码、做做实验、学学做菜、跑跑步
LOFTER精选
网易考拉推荐
用微信&&“扫一扫”
将文章分享到朋友圈。
用易信&&“扫一扫”
将文章分享到朋友圈。
2 年 前回复 &新手上路注册于: 发帖数: 31回答楼主题目：著名的英国统计学家费希尔把小概率的标准定为0.05，虽然费希尔并没有对为什么选择0.05给出充分的解释，但人们还是沿用了这个标准，把0.05或比0.05更小的上成小概率。——《统计学（第三版）贾俊平 何晓群 金勇进》中国人民大学出版社（P216-217）这是我能找到的说法。2 年 前回复 &新手上路注册于: 发帖数: 42引用第0楼[i]luranguo[/i]于[i] 04:29[/i]发表的“为什么大多数都喜欢将p-value是否大于0.05作为标准呢？”:我一直觉得这个很有意思，为什么是0.05或者0.1，假如吃苹果对治疗心脏病有一定的效果，将心脏病人根据年龄、病史、性别分为2组，然后1组每天吃1个苹果(A)，另一组不吃(B)，假设：H0:A=B，H1:A&B，得到p=0.2,则我们一般会认为该实验没有确切的证据认为两者有差别。可是在现实生活中，如果一件事的发生概率是0.8，你一定会觉得这件事发生的可能性很大，那我要是心脏病人，一定会认为吃苹果是有效的。我个人觉得Fisher只是想相对保守一点吧，或者说求稳。记得原来看过artist说Fisher的思想是反证法，很赞同。就是说如果H0正确，但我们却看到了在H0下极其罕见的现象，那么我们认为H0是错误的。那么多“罕见”才算“罕见”呢？Fisher用了0.05的概率。也就是说，如果H0是正确的，那么我们只有5%的概率观察到手上的这组数据（或者比手上的更加罕见的数据），所以更大的可能不是我们凑巧有了“罕见”的数据，而是我们假设的H0是错误的。如果用20%的话，我觉得是比较aggressive的做法。在H0的假设下，我们有20%的概率观察到手上的这组数据（或者比手上的更加罕见的数据），那么究竟是因为我们的假设有问题呢还是我们凑巧有了这20%概率的数据呢？我觉得这个矛盾不是很尖锐啊。对于楼主把0.8解释成H0的概率，这个似乎欠妥。p不是H1发生的概率，1-p也不是H0发生的概率。2 年 前回复 &新手上路注册于: 发帖数: 1引用第2楼[i]shunqinature[/i]于[i] 05:39[/i]发表的“”:我个人觉得Fisher只是想相对保守一点吧，或者说求稳。记得原来看过artist说Fisher的思想是反证法，很赞同。就是说如果H0正确，但我们却看到了在H0下极其罕见的现象，那么我们认为H0是错误的。那么多“罕见”才算“罕见”呢？Fisher用了0.05的概率。也就是说，如果H0是正确的，那么我们只有5%的概率观察到手上的这组数据（或者比手上的更加罕见的数据），所以更大的可能不是我们凑巧有了“罕见”的数据，而是我们假设的H0是错误的。如果用20%的话，我觉得是比较aggressive的做法。在H0的假设下，我们有20%的概率观察到手上的这组数据（或者比手上的更加罕见的数据），那么究竟是因为我们的假设有问题呢还是我们凑巧有了这20%概率的数据呢？我觉得这个矛盾不是很尖锐啊。.......我觉得各行各业对于p值都有不同的标准，例如对于经济学或者心里学中的检验，p值为0.1或者0.2，已经是很不错的结果了。所以，也许对于医学，正如楼主所言（具体情况我也不清楚），当p=0.2的时候，已经可以做为有效的证据之一。我们平日做的统计题目只是理论上的正确，其实并不一定符合实践的标准。我同意2楼的话，p不是H1发生的概率，这个在“不得不提的P值”郑冰的文章中有说明。2 年 前回复 &新手上路注册于: 发帖数: 21) P-value 是 (在H0 = true的情况下)得到和试验数据一样极端(或更极端)的统计量的概率. 它不是H1发生的概率. 假定吃苹果的一组和不吃苹果的一组的差异为D, P-value=0.2的意思是, pure randomly (即H0=true)的情况下, 观察到和D一样或比D更大的差异的概率是20%.&2) p-value 的本质是控制PFR (false positive rate), hypothesis test 的目的是make decision. 传统上把小概率事件的概率定义为0.05或0.01, 但不总是这样. 主要根据研究目的. 在一次试验中(注意:是一次试验, 即single test), 0.05 或0.01的cutoff足够严格了(想象一下, 一个口袋有100个球, 95个白的, 5个红的, 只让你摸一次, 你能摸到红的可能性是多大?). 我刚才强调的是single test, 在multiple test中, 通常不用p-value, 而采用更加严格的q-value. 与p-value 不同, q-value 控制的是FDR (false discovery rate).&3)举个例子.假如有一种诊断艾滋病的试剂, 试验验证其准确性为99%(每100次诊断就有一次false positive). 对于一个被检测的人(single test) 来说, 这种准确性够了. 但对于医院 (multiple test) 来说, 这种准确性远远不够, 因为每诊断10 000个个体, 就会有100个人被误诊为艾滋病.&4)总之, 如果你很care false positive, p-value cutoff 就要很低. 如果你很care false negative (就是"宁可错杀一千, 也不能漏掉一个" 情况), p-value 可以适当放松到 0.1, 0.2 都是可以的.&-本人不是学统计出身, 亦没有数理背景, 错误之处, 请随时更正.2 年 前回复 &新手上路注册于: 发帖数: 42引用第4楼[i]liguow[/i]于[i] 12:57[/i]发表的“”:1) P-value 是 (在H0 = true的情况下)得到和试验数据一样极端(或更极端)的统计量的概率. 它不是H1发生的概率. 假定吃苹果的一组和不吃苹果的一组的差异为D, P-value=0.2的意思是, pure randomly (即H0=true)的情况下, 观察到和D一样或比D更大的差异的概率是20%.&2) p-value 的本质是控制PFR (false positive rate), hypothesis test 的目的是make decision. 传统上把小概率事件的概率定义为0.05或0.01, 但不总是这样. 主要根据研究目的. 在一次试验中(注意:是一次试验, 即single test), 0.05 或0.01的cutoff足够严格了(想象一下, 一个口袋有100个球, 95个白的, 5个红的, 只让你摸一次, 你能摸到红的可能性是多大?). 我刚才强调的是single test, 在multiple test中, 通常不用p-value, 而采用更加严格的q-value. 与p-value 不同, q-value 控制的是FDR (false discovery rate).&3)举个例子.假如有一种诊断艾滋病的试剂, 试验验证其准确性为99%(每100次诊断就有一次false positive). 对于一个被检测的人(single test) 来说, 这种准确性够了. 但对于医院 (multiple test) 来说, 这种准确性远远不够, 因为每诊断10 000个个体, 就会有100个人被误诊为艾滋病.&.......Multiple testing的问题最近越来越火了：）其实我一直有一个问题，从Benjamini开始，现在FDR的控制方法不下10种，为什么Storey的是最流行的？实际应用起来除了Benjamini的方法，其它所有的方法基本上都是一样的。q-value究竟是如何脱颖而出的呢？2 年 前回复 &新手上路注册于: 发帖数: 2引用第5楼[i]shunqinature[/i]于[i] 07:22[/i]发表的“”:Multiple testing的问题最近越来越火了：）其实我一直有一个问题，从Benjamini开始，现在FDR的控制方法不下10种，为什么Storey的是最流行的？实际应用起来除了Benjamini的方法，其它所有的方法基本上都是一样的。q-value究竟是如何脱颖而出的呢？q-value 是随着multipel test 而产生的. 在multiple test (比如10000次), 如果用p-value=0.05去cut. 如果有1000次是显著的, 那么在这1000中, 有=500次是 False positive. 这显然不能接受. 太宽松了.&Bonferroni提出FWER, 在上面的例子中, 就是把cutoff 设为: 0.05/10000 = 0.000005, 这虽然能控制False Positive, 但这只在极少数情况下有用. 因为太严格了, 大量的true alternatives 被miss掉了q-vlaue 实际上是上述两种方法的折衷. 既能控制FP, 有不会miss掉太多的true alternatives.For details see Storey's paper published ON PNAS (2003).2 年 前回复 &新手上路注册于: 发帖数: 42引用第6楼[i]liguow[/i]于[i] 14:24[/i]发表的“”:q-value 是随着multipel test 而产生的. 在multiple test (比如10000次), 如果用p-value=0.05去cut. 如果有1000次是显著的, 那么在这1000中, 有=500次是 False positive. 这显然不能接受. 太宽松了.&Bonferroni提出FWER, 在上面的例子中, 就是把cutoff 设为: 0.05/10000 = 0.000005, 这虽然能控制False Positive, 但这只在极少数情况下有用. 因为太严格了, 大量的true alternatives 被miss掉了.......赞同：）不过我的问题并不是关于FWER，而是关于FDR的控制。Benjamini and Hochberg在1995年第一次提出了FDR的概念，其出发点就是基于Bonferroni的保守性，并给出了控制FDR的方法（这算是FDR控制方法的祖师爷了）。不过他们的方法也有其保守性。所以随后人们开始研究更加powerful的方法，现有的方法有Storey的, Broberg的，Dalmasso的，Guan的，Strimmer的等等等等。Benjamini的方法是将FDR控制在一个level以下，而之后所有的方法都在试图精确地估计FDR。所以后来的这些方法都要powerful一些。不过他们所付出的代价就是robustness。现有FDR控制方法最大的弊端在于，他们假设p-value's under the null hypothesis是（1）independent（2）following uniform (0,1) distribution. 这两点假设从实际观察到的数据来看经常是不合理的，尤其是第二点。（顺便提一句，Storey和Leek在07年的PLOS Genetics发表了一篇文章专门解决第二个假设的合理性问题，很牛，有兴趣可以看一下）我现在的问题是：Storey的方法没有比后来出现的其它方法更精确，在robustness方面也没有体现其优越性。它究竟是怎么获胜的？为什么它是最流行的FDR control procedure?2 年 前回复 &新手上路注册于: 发帖数: 42引用第7楼[i]shunqinature[/i]于[i] 05:03[/i]发表的“”:赞同：）不过我的问题并不是关于FWER，而是关于FDR的控制。Benjamini and Hochberg在1995年第一次提出了FDR的概念，其出发点就是基于Bonferroni的保守性，并给出了控制FDR的方法（这算是FDR控制方法的祖师爷了）。不过他们的方法也有其保守性。所以随后人们开始研究更加powerful的方法，现有的方法有Storey的, Broberg的，Dalmasso的，Guan的，Strimmer的等等等等。Benjamini的方法是将FDR控制在一个level以下，而之后所有的方法都在试图精确地估计FDR。所以后来的这些方法都要powerful一些。不过他们所付出的代价就是robustness。现有FDR控制方法最大的弊端在于，他们假设p-value's under the null hypothesis是（1）independent（2）following uniform (0,1) distribution. 这两点假设从实际观察到的数据来看经常是不合理的，尤其是第二点。（顺便提一句，Storey和Leek在07年的PLOS Genetics发表了一篇文章专门解决第二个假设的合理性问题，很牛，有兴趣可以看一下）.......得高人指点了。答案比我想象得简单多了：因为q-value是“最早的”估计FDR的方法。转自cos论坛
阅读(2870)|
用微信&&“扫一扫”
将文章分享到朋友圈。
用易信&&“扫一扫”
将文章分享到朋友圈。
历史上的今天
在LOFTER的更多文章
loftPermalink:'',
id:'fks_',
blogTitle:'【转】p-value&FPR v.s. q-value&FDR',
blogAbstract:'',
blogTag:'q-value,p-value,fdr,fpr',
blogUrl:'blog/static/',
isPublished:1,
istop:false,
modifyTime:4,
publishTime:1,
permalink:'blog/static/',
commentCount:0,
mainCommentCount:0,
recommendCount:1,
bsrk:-100,
publisherId:0,
recomBlogHome:false,
currentRecomBlog:false,
attachmentsFileIds:[],
groupInfo:{},
friendstatus:'none',
followstatus:'unFollow',
pubSucc:'',
visitorProvince:'',
visitorCity:'',
visitorNewUser:false,
postAddInfo:{},
mset:'000',
remindgoodnightblog:false,
isBlackVisitor:false,
isShowYodaoAd:false,
hostIntro:'写写代码、做做实验、学学做菜、跑跑步',
hmcon:'1',
selfRecomBlogCount:'0',
lofter_single:''
{list a as x}
{if x.moveFrom=='wap'}
{elseif x.moveFrom=='iphone'}
{elseif x.moveFrom=='android'}
{elseif x.moveFrom=='mobile'}
${a.selfIntro|escape}{if great260}${suplement}{/if}
{list a as x}
推荐过这篇日志的人：
{list a as x}
{if !!b&&b.length>0}
他们还推荐了：
{list b as y}
转载记录：
{list d as x}
{list a as x}
{list a as x}
{list a as x}
{list a as x}
{if x_index>4}{break}{/if}
${fn2(x.publishTime,'yyyy-MM-dd HH:mm:ss')}
{list a as x}
{if !!(blogDetail.preBlogPermalink)}
{if !!(blogDetail.nextBlogPermalink)}
{list a as x}
{if defined('newslist')&&newslist.length>0}
{list newslist as x}
{if x_index>7}{break}{/if}
{list a as x}
{var first_option =}
{list x.voteDetailList as voteToOption}
{if voteToOption==1}
{if first_option==false},{/if}&&“${b[voteToOption_index]}”&&
{if (x.role!="-1") },“我是${c[x.role]}”&&{/if}
&&&&&&&&${fn1(x.voteTime)}
{if x.userName==''}{/if}
网易公司版权所有&&
{list x.l as y}
{if defined('wl')}
{list wl as x}{/list}ols回归模型中的t-value和p-level是什么意思啊?..._百度知道
ols回归模型中的t-value和p-level是什么意思啊?...
ols回归模型中的t-value和p-level的意思是标准误差即标准估计误差，t Stat指 t 统计量，P-value指p值，df指自由度，SS指样本数据平方和，rMS指样本数据平均平方和，F指F统计量的值，Significance F指p值。
对统计关系进行定量描述的一种数学模型。如多元线性回归的数学模型可以表示为，式中，β0，βp是p个待估计的参数，εi是相互独立且服从同一正态分布N(0,σ2)的随机变量，y是随机变量；x可以是随机变量，也可以是非随机变量,βi称为回归系数，表征自变量对因变量影响的程度。
标准误差（Standard error）为各测量值误差的平方和的平均值的平方根，故也称均方根误差（Root mean squared error）。在相同测量条件下进行的测量称为等精度测量，例如在同样的条件下，用同一个游标卡尺测量铜棒的直径若干次，这就是等精度测量。对于等精度测量来说，还有一种更好的表示误差的方法，就是标准误差。
其他类似问题
为您推荐：
回归模型的相关知识
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁