在实际数据分析工作中，单因子线性回归是一种最基础、最常用的建模方法。它用于刻画一个自变量与一个因变量之间的线性关系。与编程工具相比，Excel 提供了图形界面与统计分析插件，可以在无需编写代码的情况下完成完整的建模流程。
一、准备与导入数据
直接打开包含数据的 Excel 工作簿文件。
如果使用 .csv 文件，请按以下步骤进行操作。
1、打开 Excel。
2、选择“数据”选项卡，点击“自文本/CSV”。
3、选择文件 .csv 文件，如“单因子线性回归.csv”。
4、在预览界面确认分隔符正确后，点击“加载”。
5、数据将以表格形式导入到工作表中。
二、数据检查与清理
无论使用 .csv 还是 .xlsx，在建模前必须确认数据有效：
• 两列数据均为数值型
• 不含空值
• 不包含单位符号
1、检查是否为数值
若单元格左上角出现绿色提示，可点击提示按钮，选择“转换为数字”。
确保两列数据均为数值型，否则回归分析会失败或结果失真。
2、检查空值
（1）选中数据区域。
（2）点击“开始”选项卡，在“编辑”组中选择“查找和选择 → 定位条件”，然后在弹出的对话框中选择“空值”。
（3）删除包含空值的整行。
数据清理完成后，保存文件。
三、绘制散点图
散点图用于观察变量之间是否呈现近似线性趋势。
1、选中两列数据（包含列名）。
2、点击“插入”选项卡，在“图表”组中选择“插入散点图（X、Y）或气泡图”，再选择“散点图”。
生成图表后，应观察点的分布是否大致沿一条直线排列。若明显呈现非线性趋势，则不适合使用线性回归模型。
四、添加线性趋势线
在散点图基础上添加回归线。
1、右键点击任意一个散点，选择“添加趋势线”。
2、在右侧设置面板中选择“线性”。
3、勾选“显示公式”。
4、勾选“显示 R 平方值”。
图表中将显示线性方程：y = a * x + b，同时显示 R² 值。
其中：
a 为斜率，表示自变量每增加 1 个单位，因变量平均变化量。
b 为截距，表示当自变量为 0 时的预测值。
R² 表示模型对因变量变动的解释比例，越接近 1，拟合效果越好。
这是使用图形方式得到的回归参数。
五、使用“数据分析”工具进行回归
趋势线方法适合快速观察，但若需要完整统计报告，应使用“回归分析”工具。
1、启用分析工具库（若尚未启用）
（1）点击“文件 → 选项”，点击“加载项”。
（2）底部“管理”选择“Excel 加载项”，点击“转到”。
（3）勾选“分析工具库”。
（4）点击“确定”。
“数据”选项卡的右侧将出现“分析”组。
2、执行回归分析
（1）选择“数据”选项卡，点击“分析”组中的“数据分析”按钮。
（2）选择“回归”，点击“确定”。
（3）在弹出的窗口中设置：
输入 Y 区域：选择销售额列。
输入 X 区域：选择温度列。
勾选“标签”（若包含列名）。
选择“输出区域”或“新工作表”。
点击“确定”。
Excel 将生成完整回归报告。
输出结果包含若干统计指标。
首先查看“R Square”（决定系数），该值表示模型对因变量方差的解释比例。若 R Square 接近 1，说明线性模型对数据拟合较好。
其次查看“Coefficients”（回归系数）部分：
Intercept（截距） 对应截距 b。
自变量名称对应斜率 a。
模型表达式为：y = a * x + b。
若斜率为正，说明温度上升时销售额增加；若为负，则说明存在反向关系。
还可以关注“Significance F”（整体显著性水平），其值越小，表示整体回归模型越显著。
六、计算回归参数与预测值
除插件方式外，也可使用 Excel 内置函数。
1、计算斜率
=SLOPE(known_y's, known_x's)
函数说明：第一个参数为因变量区域（Y 值），第二个参数为自变量区域（X 值）。返回值为线性回归方程中的斜率 a。
实例（以上图中的图表为例，下同）：
2、计算截距
=INTERCEPT(known_y's, known_x's)
函数说明：参数同 SLOPE 函数，返回值为线性回归方程中的截距 b。
实例：
3、计算决定系数 R²
=RSQ(known_y's, known_x's)
函数说明：参数同 SLOPE 函数，返回值为决定系数 R²。
实例：
另外，Excel 还提供更完整的线性回归函数 LINEST：
=LINEST(known_y's, known_x's, const, stats)
参数说明：
• known_y's：因变量区域
• known_x's：自变量区域
• const：是否计算截距（TRUE 表示计算，FALSE 表示截距为 0）
• stats：是否返回附加统计量（TRUE 表示返回完整统计结果）
返回值为数组：
• 若只有一个自变量：第一行依次为“斜率、截距”；若多个自变量：第一行依次为“各自变量系数、截距”
• 第二行及以下：标准误、R²、F 值等统计量（当 stats=TRUE 时）
实例：
=LINEST(B2:B9, A2:A9, TRUE, TRUE)
4、计算预测值
公式结构：
实例：
说明：如上图所示，在表格中，E2 为斜率，E3 为截距，D12 为待预测的自变量值。
然后使用自动填充下方单元格。
七、其他相关函数简介
1、计算样本数量
=COUNT(value1, [value2], …)
2、计算残差平方和
=SUMSQ(number1, [number2], …)
3、计算均方误差
4、计算两区域差值平方和
=SUMXMY2(array_x, array_y)
5、计算平方根
6、检查是否为数值
7、统计空值数量
八、工程注意事项
1、线性回归对异常值敏感，极端数据会明显改变斜率。
2、样本量过小可能导致 R² 虚高。
3、若散点图呈明显弯曲趋势，应考虑非线性模型。
4、建模前必须确保数据为数值类型且无缺失值。
📘 小结
本文完整演示了在 Excel 中完成单因子线性回归的规范流程，包括数据导入、清理、可视化、趋势线添加、回归分析插件使用以及预测计算。Excel 适用于小规模数据与教学场景，能够直观展示模型结构与统计指标。掌握这一流程，有助于理解回归分析的基本思想，并为进一步的数据建模实践奠定基础。
10个月宝宝每天需要喝多少奶粉？
