Tutorials

So führst du eine multiple Regressionsanalyse in Excel durch (Quick Tutorial)

Melden

Hier ist ein kompaktes Tutorial, wie du eine multiple Regressionsanalyse in Excel durchführst.

Eine multiple Regressionsanalyse hilft dir zu verstehen, wie mehrere unabhängige Variablen (X) eine abhängige Variable (Y) beeinflussen.

1. Vorbereitung der Daten

Stelle sicher, dass deine Daten sauber in Spalten angeordnet sind:

  • Abhängige Variable (Y): Die Zielgröße, die du erklären willst (z. B. Umsatz).
  • Unabhängige Variablen (X): Die Faktoren, die Y beeinflussen (z. B. Werbebudget, Preis, Anzahl der Mitarbeiter).
  • Wichtig: Alle unabhängigen Variablen (X) müssen in Excel in direkt nebeneinanderliegenden Spalten stehen.

2. Analyse-Funktionen aktivieren

Falls du den Reiter „Datenanalyse“ noch nicht in Excel siehst, musst du ihn kurz aktivieren:

  1. Klicke auf Datei > Optionen.
  2. Wähle Add-Ins.
  3. Wähle unten bei Verwalten „Excel-Add-Ins“ und klicke auf Los....
  4. Setze einen Haken bei Analyse-Funktionen und bestätige mit OK.

3. Die Regressionsanalyse durchführen

  1. Gehe zum Reiter Daten und klicke ganz rechts auf Datenanalyse.
  2. Wähle aus der Liste den Punkt Regression aus und klicke auf OK.
  3. Fülle das Fenster wie folgt aus:
    • Eingabebereich Y: Markiere die Spalte deiner abhängigen Variable (inkl. Überschrift).
    • Eingabebereich X: Markiere alle Spalten deiner unabhängigen Variablen gleichzeitig (inkl. Überschriften).
    • Beschriftungen: Setze hier unbedingt einen Haken, wenn du die Überschriften mit markiert hast.
    • Ausgabebereich: Wähle eine leere Zelle in deinem Blatt oder ein neues Tabellenblatt.
  4. Klicke auf OK.

4. Die Ergebnisse interpretieren

Excel erstellt nun eine Zusammenfassung. Achte auf diese drei Kernwerte:

  • Bestimmtheitsmaß (R-Quadrat / R²): Dieser Wert liegt zwischen 0 und 1. Er gibt an, wie viel Prozent der Streuung von Y durch deine X-Variablen erklärt werden. (Beispiel: 0,85 bedeutet, 85 % der Schwankungen werden durch das Modell erklärt).
  • Koeffizienten (Coefficients): Diese zeigen dir die Stärke und Richtung des Einflusses. Ein positiver Koeffizient bedeutet: Wenn X steigt, steigt auch Y.
  • P-Wert (P-value): Er prüft die Signifikanz. In der Regel gilt: Ist der P-Wert kleiner als 0,05, hat die jeweilige Variable einen statistisch signifikanten Einfluss auf dein Ergebnis.

Pro-Tipp: Wenn du eine grafische Darstellung möchtest, kannst du über den Punkt „Residuenplots“ im Regressions-Menü zusätzliche Diagramme erstellen lassen, um zu prüfen, ob die Fehler in deinem Modell gleichmäßig verteilt sind.

0