用excel独立性检验(独立性检验函数)

1. 独立性检验函数

微分方程解中任意常数是否独立关键看这些任意常数是否能合并为一个任意常数，若能合并，则它们不独立，不能合并，就是独立的任意常数

2. 独立性检验函数有哪些

它们都是对收集的数据进行的分析，这是它们的联系。

均值与方差对于两个方案好坏或者两人水平高低的对比；

回归分析找出两个变量之间的函数关系；

独立性检验是判断两个变量之间的相关性有多大；

正态分布是对满足正态曲线的函数进行分析，了解其函数的性质。

3. 独立性检验函数怎么求

独立性检验是统计学的一种检验方式，与适合性检验同属于X2检验，即卡方检验（英文名：chi square test），它是根据次数资料判断两类因子彼此相关或相互独立的假设检验。

由联表中的数据算出随机变量K^2的值（即K的平方），K^2的值越大，说明“X与Y有关系”成立的可能性越大。

独立性检验的解题步骤如下：

第一步　提出假设H0：患肺癌与吸烟没有关系。（目标结论H1“患肺癌与吸烟有关系”的反面）

第二步　计算独立性检验的标准，即统计量k2=n(ad-bc)^2/{(a+b)(c+d)(a+c)(b+d)}的值。（它越小，原假设H0成立的可能性越大；它越大，目标结论H1成立的可能性越大。）

第三步　由独立性检验的临界值表得出结论及其可信度（即在多大程度上适用）。

4. 独立性检验的方程

线性回归参数设置

1、运行软件，输入演示数据，如下图所示。

2、选择菜单分析>回归>线下，弹出线性回归参数设置窗口。

3、设置广告为自变量，销售额为因变量。

4、选择选项，本经验就模型残差进行Durbin Watson检验，用于判断残差是否独立，作为一个基础条件来判断数据是否适合做线性回归。

5、点击绘制，对参数进行设置，本经验勾选直方图和正态概率图，同样用于判断数据是否适合进行线性回归。

6、点击保存按钮，本经验为了利用广告费用来预测销售量，保存按钮参数与预测和残差有关，可以勾选【未标准化】预测值。

7、选项按钮中直接使用默认参数即可。

主要结果解释

1、下图第3列R方为判定系数，一般认为需要大于60%，用于判定线性方程拟合优度的重要指标，体现了回归模型解释因变量变异的能力，越接近1越好。从结果中可以看出值为0.919，初步判断模型拟合效果良好。

2、方差分析的显著性值=0.000<0.01<0.05，表明由自变量“广告费用”和因变量“销售量”建立的线性关系回归模型具有极显著的统计学意义，即增加广告费用可销售量这样的线性关系显著。

3、下图建模的最直接结果，读取未标准化系数，我们可以轻松写出模型表达式，如下：Y=79.991+9.503X这里关键要看自变量广告费用的回归系数是否通过检验，t检验原假设回归系数没有意义，由最后一列回归系数显著性值=0.000<0.01<0.05，表明回归系数b存在，有统计学意义，广告费用与销售量之间是正比关系，而且极显著。

4、上面已经得出回归逻辑公式，接下来我们需要检验数据是否可以做回归分析，它对数据的要求是苛刻的，有必要就残差进行分析。从标准化残差直方图来看，，左右两侧不完全对称；从标准化残差的P-P图来看，散点并没有全部靠近斜线，并不完美。综合而言，残差正态性结果不是最好的，当然在现实分析当中，理想状态的正态并不多见，接近或近似即可考虑接受。

5、模型残差独立性检验。DW=1.475，查询 Durbin Watson table 可以发现本例DW值恰好出在无自相关性的值域之中，认定残差独立，通过检验。

6、预测。这一步直接使用公式输入即可算出。至此，建立了广告和销售量之间的线性回归模型，并且实施了预测，那么模型的准确性到底如何呢，有待最终实际销售比对分析。

5. 独立性检验的公式

独立性检验没有直观性，必须依靠K2 的观测值k作判断。

独立性检验的一般步骤：

（1）根据样本数据制成2×2列联表；

（2）根据公式，计算K2的值；

（3）查表比较K2与临界值的大小关系，作统计判断

6. 独立性检验公式的读法

假设有两个分类变量X和Y,它们的值域分另为{x1, x2}和{y1, y2},其样本频数列联表为：

y1y2总计x1aba+bx2cdc+d总计a+cb+da+b+c+d若要推断的论述为H1：“X与Y有关系”,可以利用独立性检验来考察两个变量是否有关系,并且能较精确地给出这种判断的可靠程度.具体的做法是,由表中的数据算出随机变量K^2的值（即K的平方） K^2 = n (ad - bc) ^ 2 / [(a+b)(c+d)(a+c)(b+d)]　其中n=a+b+c+d为样本容量

K^2的值越大,说明“X与Y有关系”成立的可能性越大.