Analyse prédictive dans Excel : prévision et régression

1. Introduction: Salut, je m'appelle Ruben, et dans cette classe nous allons plonger dans la prévision et la régression dans Excel. Donc, dans ce cours, je vais vous apprendre comment utiliser Excel pour prévoir des données telles que votre inventaire, vos ventes ou d'autres données financières à l'aide d'Excel. Nous allons également passer en revue la régression, ou nous pouvons examiner, par exemple, ce qui alimente vos ventes, ce qui alimente votre stock. J' ai acquis mon expérience avec Excel, travaillant pour différentes grandes organisations comme ING Bank, Pfizer, où j'ai aidé les gens et enseigné aux gens comment ils peuvent prendre de meilleures décisions en utilisant Excel. Donc, avant de plonger dans ce verre, il est bon de savoir que ce verre nécessite que vous sachiez un peu comment Excel fonctionne. Comme si nous n'allions pas vraiment plonger dans les formules de base, mais ce ne sera pas non plus la science. Vous n'avez pas besoin d'être mathématicien pour comprendre les formules que nous appliquons. Nous allons surtout l'examiner d'un point de vue pratique. Vous pouvez donc commencer à prévoir vos données. Aussi, je pense que ce sera une bonne idée si vous vous assurez que vous avez Excel 2016. Comme toutes les formules de cette classe ne sont pas disponibles dans les anciennes versions dans Excel. J' espère donc que vous serez excité autant que moi de plonger dans le sujet et de plonger dans ces fonctionnalités de prévision quantitative qui n'ont pas été très connues dans Excel. J' espère donc vous voir dans la prochaine vidéo où nous allons passer au plan et au projet de cette classe. Merci. 2. L'aperçu du cours et projet: Bonjour et bienvenue à la vidéo où nous allons regarder dans la vue d'ensemble de la classe et la description du projet de notre analyse prédictive de classe dans Excel, la régression prévisionnelle. Donc, notre classe sera, comme le dit le titre, essentiellement divisée en parties. Nous parlerons de prévisions et de régression. Par conséquent, nous commencerons par une introduction à la prévision et à cette classe. Le but principal de cette classe est de rendre ces fonctions qui ne peuvent pas sembler un peu intimidantes, surtout la régression, pour le rendre facile à comprendre sans nécessairement être un expert en statistique. Cela vous aidera à mieux comprendre la classe si vous connaissez une ou deux choses sur les statistiques. Mais mon objectif est que même si vous ne le faites pas, vous serez toujours en mesure d'utiliser ces outils après avoir regardé ces verres. Donc la première fonction dans laquelle nous allons plonger est la prévision linéaire. Le second sera la prévision saisonnière et exponentielle. Ou nous allons discuter des tendances récurrentes et des prévisions un peu plus avancées. Et puis nous allons calculer l'intervalle de confiance. Donc, sur la base d'un pourcentage de sécurité, nous allons donner notre pire scénario et notre meilleur scénario hors de nous-mêmes des prévisions. Au numéro 234, il va plonger dans Excel, vous montrant comment ces fonctionnalités sont réalisées. Et dans la première classe, je vais simplement expliquer quelques notions de base, une ou deux minutes sur les prévisions. Et puis la deuxième partie sera la régression. Donc, encore une fois dans cette classe et son introduction vidéo à la régression sera de regarder ce que sont les choses dans les outils et les poignées que vous devez savoir avant plonger dans Excel et d'effectuer une régression vous-même. Donc, nous allons essentiellement parler de ce que cela signifie de faire une analyse de régression et de l'alena, cette vidéo, nous allons plonger dans Excel et nous allons effectuer une analyse de régression nous-mêmes. Dans cette vidéo, nous expliquerons également comment vous interprétez les résultats de votre analyse de régression. Après avoir fait la vidéo six, nous allons passer à l'examen de notre projet. Après cette liste, après avoir parlé de la classe ira dans cette vidéo au projet et ce que cela signifie. Et puis V0 va être l'optimal. Et j'arriverai aux projets de classe. Le projet de classe sera donc une prévision et une analyse de nos données de vente. Et ce sera un rapport que vous donnerez à la direction supérieure de votre entreprise, y compris le choix entre les fonctions linéaires ou saisonnières pour prévoir les prochaines années de données de ventes. Toutes ces affectations pour un projet de classe seront également abordées dans nos leçons précédentes. Donc, avant moins de sept, vous devriez avoir tout le savoir-faire d'effectuer les quatre prochains sujets. Donc, le second est de calculer les intervalles de confiance dans vos prévisions. Troisièmement, le projet a fourni des données supplémentaires qui pourraient influencer nos ventes. Et donc, c'est à vous de voir si vous pouvez savoir quelles variables, quelles variables indépendantes affectent nos ventes. Et N4, j'ai attaché, je vais vous montrer ça dans un peu. Excel, ou vous pouvez présenter vos résultats dans un joli rapport et donner quelques mesures clés supplémentaires avec lui. Donc on va utiliser deux fichiers. Un fichier, qui est un ensemble de données différent que je vais utiliser pour les classes. Je vais télécharger celui-ci aussi afin que vous puissiez examiner comment j'ai fait cela. Et l'autre sera pour le projet. Et il contient des données et un modèle que vous allez utiliser pour les affectations. Alors plongons dans le fichier que nous allons utiliser pour le projet. Très bien, donc c'est le fichier Excel, mais nous allons utiliser pour notre projet. Donc ici vous trouverez les instructions. Et nous allons utiliser ce plan pour remplir les graphiques dont nous aurons besoin pour notre analyse. Donc on ne va pas juste calculer la bêta ou bien on va les convertir en graphiques. Et ces graphiques que nous allons mettre dans ces champs. Et là, nous allons avoir des données de régression supplémentaires. Nous allons évaluer notre analyse de régression en tournée. Et ces données que nous pouvons mettre ici. Laissez-moi vous montrer rapidement les données brutes. C' est une donnée de tige que nous utilisons. Et c'est une sorte de magasin Home Depot avec des entrées de sceaux. Donc nous avons les ventes, le rabais sur la quantité de bénéfices, et d'autres données que nous n'utiliserons pas toutes les données. Le plus important est un peu la vente, la commande, la date et le rabais. Et je l'ai déjà fait, vous n'avez rien à faire avec les données brutes. J' ai déjà résumé les données pour vous ici. Donc, par mois, nous pouvons voir deux ventes rapportées. Votre objectif est d'ajouter les prévisions de ventes que l'intervalle de confiance, la limite inférieure et les limites supérieures. Et aussi pour traduire cela dans le graphique que nous voyons ici. Et puis pour l'analyse des données, régression aura la même chose. Donc, nous avons déjà les données. Vous n'avez plus besoin de source de données. Votre objectif est d'effectuer l'analyse de régression ici. Et puis aussi convertir cette analyse de régression avec les données que nous avons ici dans les graphiques appropriés que nous pouvons éventuellement copier et coller et mettre dans notre étape d'instruction. Veuillez lire les descriptions par graphique, ce que nous devrons fournir afin de donner la bonne représentation de ce que nous recherchons, un ce que nous voulons dire. Et les entreprises embauchent la direction. Et ici, vous pouvez remplir à ce jour l'analyse de régression. Donc encore une fois, tout a une description. Je vous ai aidé avec quelques conseils et astuces afin créer ce modèle pour la gestion de l'embauche des entreprises. Et je vous souhaite bonne chance avec le projet. Je vous souhaite bonne chance avec les sept prochaines vidéos sur prévisions et l'analyse de bogues et de régression et sur les rapports. Et si vous avez des questions, hésitez pas à laisser les questions ci-dessous sur ce partage de compétences patient. Et je vous aiderai dès que possible. Bonne chance avec les cours. 3. Introduction à la prévision: D' accord, donc avant de plonger dans l'application de notre technique de prévision dans Excel, je veux parler brièvement de Reetu quelles sont les différentes définitions dans les prévisions. Donc, dans cette vidéo, nous allons y aller. Et ce que les prévisions rencontrent réellement. prévision est donc le processus qui consiste à faire des prédictions de l'avenir, des données passées et présentes. Le plus souvent par analyse des tendances. Ce qui signifie que nous pouvons regarder dans différentes épopées transfert aller regarder dans les tendances linéaires et, et les tendances saisonnières. Et certains exemples de l'industrie sont pour le marketing. Prévision. La demande et l'offre sont souvent très saisonnières. Caractéristiques. Pensez à un magasin de crème glacée qui doit acheter plus d'inventaire pour les crèmes glacées en été parce que plus de gens mangent de la crème glacée en hiver, moins de stocks. Ils peuvent vraiment profiter des techniques de prévision pour décider de la quantité de crème glacée qu'ils devraient acheter. Donc, pour le département des finances, il pourrait être un grand pour prédire les ventes ou les revenus, allouer les bons budgets à des fins dérivées, et pour faire une analyse de marché, par exemple, pour les finances qui sont plus impliquées sur les marchés boursiers de nos marchés financiers. Et puis HR, vous pouvez l'utiliser pour la planification. Et combien de personnes avez-vous besoin de mettre sur le bureau MDL sont mis sur le terrain de travail. Vous pouvez prédire l'absence, la productivité. Toutes ces choses doivent être liées à une certaine tendance. Et encore une fois, je tiens à souligner que dans les prévisions, nous examinerons la partie quantitative de la prévision et de la prévision de nos données. Cependant, chaque Trent a aussi une part qualitative à elle. Et donc nous devons aussi savoir, je ne vais pas simplement aveuglément pour nos prévisions quantitatives. Cela vous aide toujours à étudier et à rechercher les raisons pour lesquelles certaines tendances se produisent. Et cela peut optimiser vos prévisions. Alors nous arrivons à linéaire versus exponentiel. Le linéaire est un moyen très simple de prévoir. Il faut essentiellement le taux de croissance moyen et vous allez étendre ce taux à l'avenir. Donc si aujourd'hui je vends une glace, demain je vends au stand de crème glacée dans deux jours, je vendrai trois glaces. C' est fondamentalement linéaire. Exponentielle est plus avancée et il y a des fonctionnalités dans Excel qui utilisent des formules compliquées qui a obtenu détective, il y a une tendance saisonnière à elle. Donc, pour les parieurs récurrents, comme nous l'avons dit avec les ventes de crème glacée, c'est une excellente façon de prédire vos, vos données et d'ailleurs, cela permettra également de lisser les écarts. Donc, s'il y a certains pics que nous ne voyons pas dans les autres schémas récurrents, il l'oubliera, hors de la prédiction et essaiera de vous donner la prévision la plus exacte possible à la prévision exponentielle ou saisonnière. Il y a donc quelques fonctions à utiliser. Pour le premier est la prévision ou la prévision point linéaire. J' ai recommandé d'utiliser la prévision de NINR fait est fondamentalement plus un problème de compatibilité. Les anciens excels utiliseront des prévisions et les nouvelles prévisions d'utilisation de l'école Excel ou des prévisions linéaires point ETS prédit votre, vos valeurs des mois de chirurgien à l'avenir en fonction des tendances ou des modèles. Puis les prévisions point ETS, point saisonnalité va regarder dans, va nous donner, nous renvoie la longueur du modèle. Donc, chaque année, nous avons un pic de ventes ou un pic de bêta. La saisonnalité nous donnera des étapes étroites pour dépendante à l' intervalle de confiance des prévisions de récidive. C' est quelque chose que nous discuterons également dans des vidéos. Cela vous aide à créer un intervalle, donc une limite inférieure et supérieure de la certitude que notre prévision sera entre cette limite inférieure et supérieure. Il y a toujours un niveau de confiance, qui dans le cas standard est de 95%. Nous pouvons donc dire avec une certitude de 95 % sur la base des données passées, nos données futures vont se situer entre un certain intervalle. Et puis le dernier, c'est un plus avancé que nous ne discuterons pas dans cette classe et son point de prévision ETS Darmstadt. Et cela va vous donner l'un des critères requis sont l'une des mesures de retour préférées. Donc, si nous voulons connaître l'alpha, la bêta, le gamma, nous pouvons obtenir ceux ou même plus avancés MAC S MAP, MAE ou RMSE ou à la taille de l'étape. Mais comme je l'ai dit, ce sont des mesures statistiques très avancées et compliquées à, et encore une fois, ce but de cette vidéo est d'accéder à certains outils, personnes pour les personnes au bureau, pour les gens d'affaires ont fait et inutilement expériences statistiques. Donc on va plonger là-dedans. D' accord, donc c'était tout pour cette vidéo. Dans les trois prochaines vidéos, nous allons plonger dans la façon dont vous pouvez réellement prévoir les données. Donc, nous sommes en fait en quelque sorte d'arriver à la partie passionnante de l'application de tous ces Fordham et nous, pas tous ces, mais la plupart de ces formules et techniques que nous avons discutées dans cette vidéo. Et je te verrai dans la prochaine vidéo. 4. Forecasting: : linéaire: Bonjour et bienvenue au travail d'écoute. Nous allons commencer à créer nos formules de prévision. Donc juste en face de moi, j'ai une feuille bêta r. Et dans notre fiche technique, nous avons des unités vendues de deux types de produits différents. Nous avons donc des boissons et des collations. Dans cette leçon, nous allons examiner comment vous pouvez voir quelles données vous devez utiliser prévision linéaire et pourquoi la prévision linéaire est un excellent outil pour prédire l'avenir de vos ventes. Donc, ici, nous avons des données de 2013 jusqu'en 2090. Et nous voulons tout prédire au-delà de 2019, deux mille vingt et un dans notre cas. Ce que nous allons faire, c'est commencer à étendre nos données. Au fait, j'utilise les ventes comme exemple. Mais évidemment, cette prévision linéaire, il est applicable à tout type de nombres que vous pouvez réellement prévoir d'une manière linéaire. Je vais te montrer ce que je veux dire avec ça maintenant. Ainsi, comme vous pouvez le voir, nous avons deux types de données différents. Donc l'âme de boisson et les serpents vendus. Ce que je vais faire maintenant, c'est que je vais créer rapidement un graphique des données. Donc, nous sélectionnons les données, nous cliquons sur insérer. Et ici, nous pouvons cliquer sur un nuage de points, que nous voyons maintenant est juste ici. On l'ouvre un peu. Et comme vous pouvez le voir, il y a deux types et lignes très différents que nous voyons en ce moment. Donc, ce que je veux vous expliquer, c'est comment vous pouvez voir si vous devez appliquer des prévisions linéaires. Évidemment, les données sont toujours accompagnées d'informations qualitatives. Donc, sachant d'où proviennent vos données, sa santé va vous aider à décider quel type de prévision vous devriez utiliser. Mais dans ce cas, où nous avons les points orange, que vous pouvez voir ici vient de la quantité de collations vendues. Nous pouvons voir clairement qu'il a une ligne très droite, n' est pas comme les boissons ou nous avons un motif récurrent. Et puisque c'est une ligne droite, et nous pouvons utiliser une prévision linéaire. Ainsi, les prévisions linéaires peuvent être faites de deux façons. La première façon serait un poids plus visuel. Ou nous sélectionnons notre graphique. Nous allons à graphique conçu, Ajouter des éléments de graphique. Et nous cliquons ici sur la ligne de tendance. Si nous cliquons maintenant sur la ligne de tendance linéaire, nous voulons le prédire d'abord, ensuite vendu celui orange. On peut voir comment ça progresse. Ainsi, comme je l'ai dit, nous avons créé deux années supplémentaires , soit deux mille vingt et un. Par conséquent, nous avons deux années supplémentaires ici sur les axes X également. Et nous pouvons voir comment Excel calcule nos tendances linéaires pour continuer d'évoluer au cours des deux prochaines années. Donc, ce qui signifie que si nous allons appliquer des prévisions linéaires, ne sont pas des points devrait être autour de cette ligne aussi. Commençons donc à prévoir d'une manière plus précise. Donc on va le faire, c'est qu'on va créer ici et d'autres. Et nous allons créer une autre colonne. Et celui-là, nous allons appeler des collations prévues. Et puis ici, où nous n'avons pas encore de numéro pour les serpents, ce qui est le premier janvier 2020. Nous allons commencer à ajouter notre formule. Donc, nous commençons les prévisions de type. Mais linéaire, plus ancien Excel a introduit des prévisions, qui est juste des prévisions. Mais pour des raisons de compatibilité, je vous recommande d'utiliser simplement des prévisions linéaires, une nouvelle fonctionnalité. C' est essentiellement le même brouillard et prévision futur, mais c'est juste plus mis à jour. Donc, je vous recommande de continuer avec la prévision mais linéaire. Et aussi comment ne pas confondre avec d'autres fonctionnalités de prévision à ajouter sont présents. Donc, nous commençons avec quatre types linéaires. Si vous avez besoin d'aide, vous pouvez cliquer sur ce bouton ici. Et puis sur le côté droit va vous aider à construire une formule. Nous devons donc commencer par le prochain numéro. Dans ce cas, ce seront les dates. Nous voulons donc connaître la date à laquelle nous voulons prévoir. Et le second serait nos y connus, ce qui est nos valeurs connues. Ce qui, dans ce cas, va être la prochaine vendue, qui vient du passé. Mais nous faisons ce c2. Et pour cela, nous devons avoir les mêmes rangées que nos y's. Mais dans ce cas, on va utiliser les dates. Encore une fois. On va en faire deux. Et c'est tout. Et maintenant, nous avons entré nos données. Et maintenant, si nous cliquons sur terminé, nous obtenons notre valeur ici. Avant de commencer la classe de base, je ne l'ai pas encore fait. Et un nombre pour de nombreux serveurs créer des URL. Je suis désolé, ce sont des matériaux adversaires. On a pris des décimales. Et maintenant, nous avons créé notre première valeur prévisionnelle de denier, qui est basée sur la valeur antérieure. Donc, maintenant, nous voulons mettre cela en oeuvre pour le reste des mois des deux prochaines années. Avant de faire ça, assurez-vous que nous regardions. Les deux sont Daydream sur les données récentes que nous utilisons pour créer nos prévisions. Et une fois que nous avons fait cela, nous pouvons continuer à alimenter notre base de données. D' accord ? Maintenant, nous avons nos valeurs prévisionnelles. Pour visualiser cela, ce que nous pouvons faire est de créer un nouveau graphique, ce qui va être dans ce cas, et nous allons utiliser le même graphique que nous avons déjà utilisé. Nous allons à la conception de cartes. Nous pourrions cliquer sur sélectionner les données et nous allons ajouter une autre colonne, qui dans ce cas va être la colonne D. Donc, augmentons notre plage de données. Et maintenant, nous avons ces valeurs prévisionnelles tracées ici aussi. Et comme vous pouvez le voir que c'est exactement sur la ligne de tendance. Donc, dans les prévisions linéaires signifie fondamentalement que du premier point à la dernière ceinture de résultats théoriques que nous avons déjà. Excel calcule la moyenne des heures supplémentaires de rage de la route. Donc, chaque fois que nous déplaçons une valeur à x, cela signifie être une valeur normalisée de y ou combien il appelle. Donc, pour chaque mouvement vers la droite, nous devons avoir la même valeur pour maintenir une croissance constante. Et finalement cela s'avère dans cette ligne. Et cela utilise essentiellement la croissance moyenne des données passées que nous utilisons. qui signifie essentiellement que c'est une façon très simple de prévoir. Mais oui, pour les données linéaires à vendu vos besoins de prévision. C' était tout pour l'instant pour nos prévisions linéaires. Donc, dans la prochaine classe, nous allons examiner les prévisions saisonnières, aussi appelées prévisions exponentielles. C' est un peu plus avancé, mais toujours un moyen très facile de prévoir dans Excel. Et j'espère que je te verrai dans la prochaine vidéo. 5. Forecasting: : Forecasting:: Bienvenue dans la prochaine vidéo sur les prévisions. Dans cette vidéo, nous allons discuter des prévisions saisonnières, aussi appelées prévisions exponentielles. Donc, dans la dernière vidéo, nous avons regardé dans les prévisions de denier, qui est continu avec le taux de croissance moyen que nous avons dans le meilleur et mettre un avenir suppose le même taux de croissance moyen. Je fais fondamentalement suit juste la ligne de tendance. C' est en bref ce dont nous avons parlé dans nos prochains, dans notre dernière vidéo. Mais dans cette vidéo, les prévisions seront un peu plus avancées puisque nous allons examiner les modèles récurrents, saisonniers, un casting de disques exponentiel. Donc, comme vous pouvez le voir dans cette ligne, c'est une ligne droite. Mais nous ne serions pas pour tracer nos boissons vendues et nos boissons prévues. Vous verrez que pour celui-ci aura besoin d'un type différent de prévision réel rapide. Laisse-moi te montrer pourquoi. Je veux dire, organisez ça correctement et mettez-le à côté de notre autre graphique. D' accord ? Donc, comme vous pouvez le voir déjà à celui-ci est un peu moins simple que notre premier paragraphe. Et si nous ajoutons une ligne de tendance à ce graphique, nous ne faisons pas de conception de graphique et nous cliquons sur Trendline. Je vais chercher des boissons vendues. Vous verrez que si nous appliquons prévision linéaire est juste une sorte de suivre le long de cette ligne de tendance. Et ce n'est certainement pas conforme à ce que nous voyons ici. On dirait que c'est plus comme des vagues qui montent et descendent. Donc, pour bien les prévisionnistes, on va utiliser une formule, des prévisions exponentielles. Donc, à quoi cela ressemble est la prévision pensée ETS. On va ouvrir nos parenthèses. Nous pouvons cliquer ici à nouveau sur ces boutons de formule pour nous aider un peu avec les données que nous avons à ajouter. Et c'est comme le linéaire. Nous commençons par notre date cible, qui dans ce cas c'est le premier janvier 2020. Nos valeurs, certains sont passés bêta connu, qui est comme un polygone, qui est cette plage. À partir de V2. Et notre chronologie. Ce sera la même quantité de ROS que nous avons pour nos valeurs, mais alors ce sera Holland a. Vous pouvez ajouter s'il y a déjà une saisonnalité connue. Donc une batterie récurrente. Vous pouvez ajouter la quantité de points de données sont x valeurs ici, ou faire référence à l'achèvement. Donc, quand il y a, par exemple, deux fois, je suis désolé. S' il manque ordinaire n'est pas vraiment illisible pour les conseils, vous pouvez donner à Excel l'option de la façon dont il devrait interpréter cela comme 0 ou comme la moyenne. Et une agrégation. Vous pouvez décider d'écrire. Deux fois. Par exemple, bêta pour elle une seconde de Janvier. Que faire de ce sommet ? Chaque enfant compte. Donc c'est ce que tu peux faire chaque nation pour l'instant, on va laisser ça vide. Ceux-ci sont facultatifs. Tu n'en as pas besoin maintenant. Et en ce moment, nous avons calculé notre première valeur sur la première valeur saisonnière. Et tout comme nous devrions le faire avec linéaire, nous devons nous assurer que nous gardons ces points fixes afin que nos zones continuent de bouger. Laissez un nous allons traîner vers le bas la formule. Et une fois qu'on aura fait ça. Donc maintenant, nous avons toutes nos prévisions de données. Voyons à quoi ça ressemble. Donc, quand nous regardons notre graphique, nous pouvons déjà voir les points jaunes qui ont été ajoutés. Et comme je l'ai déjà expliqué cette tendance, les tendances vantantes chargées. Donc, selon cette ligne de tendance, au fil des ans, nos valeurs augmentent légèrement. Mais plus évident est comment il prévoit que le modèle récurrent. Pour le rendre encore plus clair, créons un graphique linéaire à partir de cela au lieu des points. Donc nous allons passer par le type de graphique et nous allons regarder à la ligne, allons sélectionner les deux lignes juste ici. Et comme vous pouvez le voir maintenant, nous pouvons encore mieux voir le mouvement de nos données et à quel point il est bien prévu. Si nous aurions utilisé linéaire, encore une fois, ce serait juste une ligne droite monter légèrement, qui dans ce cas ne serait certainement pas la bonne prévision pour ce type de données. Pour combler cette lacune. Juste un petit tour. Ce que vous devriez faire est à ces données. Donc à 1349, ajouté ici aussi. Et puis notre graphique devrait ressembler à une ligne. Et c'est le cas. Alors voici le toucher maintenant. Alors nous allons rapidement comment vous appliquez à une prévision saisonnière. Super utile pour les motifs récurrents. Dans ce cas, c'est des boissons. Et si nous regardons nos données et nous pouvons probablement voir, mais c'est aussi quelque chose que nous allons plonger et plus tard dans cette classe. Mais il sera probablement basé sur la température, basée sur l'année. Avant de plonger dans l'analyse de régression, qui révélera pourquoi notre base de données appelle de haut en bas, nous allons d'abord plonger dans les intervalles de confiance. Dans la prochaine vidéo, je vais vous montrer à quel point vous pouvez être certain de ces prédictions. À un Excel vous donne les outils pour visualiser, calculer et visualiser une gamme de prévisions émeutes devraient tomber entre les deux en fonction du niveau de confiance du chirurgien. J' espère vous voir dans la prochaine vidéo. Merci. 6. Forecasting: : l'intervalle de confiance: Bonjour et bienvenue dans notre prochaine vidéo. Donc, dans cette vidéo, nous allons calculer l'intervalle de confiance. Donc, je vais d'abord vous expliquer ce qu' est un intervalle de confiance et pourquoi vous voulez l'appliquer. Et puis je vais vous montrer comment vous pouvez l'appliquer et aussi comment vous pouvez le visualiser dans les graphiques que nous avons créés dans les classes précédentes. Donc, ce que je veux dire le temps entre cette vidéo et la dernière vidéo, je viens de mettre en forme notre feuille et un peu d'ajouter quelques colonnes supplémentaires. Et j'ai coloré des sons comme l'orange et j'ai appelé boissons de couleur bleue pour que nous ayons une meilleure vue d'ensemble. Et j'ai fait des choses grâce à Plessy. D' accord, donc nous voyons ici les valeurs de prévision, ce que nous avons fait dans les deux dernières vidéos. Dans celui-ci, nous allons calculer notre intervalle de confiance. Donc, l'intervalle de confiance est fondamentalement la plage dans nos valeurs prédites devrait tomber. Ceci est basé sur la confiance que nous avons que certaines valeurs qui tombent dans la rage. Donc, si nous ajoutons à cette formule, Par exemple, nous voulons une gamme dans laquelle nous sommes sûrs à 95%. Les valeurs futures tomberont dans le point de vue statistique C. Nous obtiendrons une fourchette que nous faisons moins la valeur prévue du bras et la valeur prévue. Et c'est là que nous devrions prévoir nos valeurs en fonction de ce certain pourcentage. Ça a l'air un peu intimidant, mais on va rester simple. Le but de cette classe est de garder ces fonctionnalités Excel simples et faciles à comprendre. Pour donc, je vais juste y plonger et vous expliquer le long du chemin quand je viens de vous expliquer. Donc nous allons passer par les boissons limitées et geler la première rangée un peu rapidement, juste pour que nous ayons une meilleure vue d'ensemble et puis voir la première colonne et la première vraie. Oh, ce n'est pas ce que je voulais être. Rôle de trucs gratuits. D'accord. Donc, nous allons devoir intervalle de confiance. Celui-ci est beaucoup de devinettes aussi simple si nous utilisons cette valeur pour créer une meilleure ligne dans une charte n'était pas dans la dernière vidéo, donc nous allons commencer dans la deuxième valeur. Il s'agit de la première valeur prévue. Ce que nous faisons, c'est que nous allons écrire les prévisions. Ets. Ainsi, pensait qu'il représente un intervalle de confiance. Et on va ouvrir les parenthèses. Et comme nous l'avons fait dans nos autres cours, nous pouvons cliquer ici sur ce bouton. Et encore une fois, nous pouvons juste remplir aujourd'hui sont juste ici. Donc, nous allons garer un débat qui serait le cas contre le 1er janvier 2020. Nous allons sélectionner la plage de valeurs, ce qui est exactement comme les formules précédentes que nous avions faites. Que nous allons sélectionner notre chronologie. Ensuite, nous pouvons sélectionner notre niveau de confiance. Donc c'est ce que j'ai expliqué. C' est une sorte de battre un pourcentage. Le pourcentage de sécurité que nous voulons avoir que nos données se situent dans cette fourchette que nous sommes sur le point de calculer. Nos dépenses. Cette valeur est de 95 %. Pour l'instant, nous allons juste garder ça comme ça pour laisser ça vide. Et comme nous l'avons vu dans notre vidéo précédente, nous pouvons ajouter la saisonnalité, achèvement des données et l'agrégation, que nous avons expliquée dans la dernière vidéo. Et pour l'instant nous allons juste laisser ce vide aussi. Nous ne respectons pas ces étapes. Si vous n'êtes toujours pas sûr de ce qu'elles signifient, veuillez retourner à notre dernière vidéo et vérifier les définitions de celles-ci, ou faites défiler ici. Et vous pouvez aussi lire ce qu'ils signifient et ce qu'ils font. Alors maintenant, nous cliquons sur Terminé, et maintenant nous obtenons une gamme de notre valeur. Donc 95% sûr que nos prévisions seront soit dans les 150 set X6 inférieur, soit supérieur à notre valeur prévue. Donc, comme nous l'avons fait dans nos dernières vidéos, nous allons regarder notre gamme. Et j'allais passer celui-là. On y va. Nous pouvons créer notre limite inférieure et supérieure, qui sera notre valeur prévue moins notre intervalle de confiance. Et la valeur de base R4 plus notre intervalle de confiance. C' est donc notre fourchette dont nous sommes sûrs à 95 % que la valeur réelle prévue ou la valeur future sera à l'intérieur de lui. D' accord ? Donc maintenant, nous allons retourner à notre graphique et nous allons visualiser ces intervalles de confiance. Donc notre graphique devrait être juste ici. Celle-là. Nous allons concevoir des cartes ici. On va sélectionner les données. Et nous allons ajouter quelques données qui vont être jusqu'à la colonne F, qui est limite supérieure les. Vous devriez déjà voir nos lignes comme nous l'avons fait en dernière classe. Nous devons ajouter une autre valeur pour nous assurer que cette ligne continue bien à partir de nos résultats, ce que nous faisons en copiant celui-ci. Je suis désolé d'accompagner celui-ci et de suivre un an. Et notre graphique pourrait être un peu plus beau et avoir l'air un peu plus beau. Ce qui est en ce moment, nous allons simplement le formater très rapidement et tend à appeler hors de nos lignes. Donc, nous cliquons sur notre longueur sont Millenials est orange. Donc, nous allons utiliser à la fois pour la limite inférieure et la limite supérieure un peu plus claire et la couleur orange, qui serait celui-ci. Et maintenant, on va prendre le même. Pour une limite inférieure. Nous obtenons une excellente visualisation de notre gamme dans laquelle notre prévision pourrait être. Donc maintenant, si nous pouvions augmenter notre niveau de confiance, réfléchissez juste une seconde, qu'arriverait-il avec ces deux lignes plus légères ? Donc je vais déjà vous dire que notre valeur prévue restera la même. Mais quelque chose s'est passé avec la Live School Legal plus large. Un peu, ils deviennent plus minces. D' accord. Tu veux toujours y penser ? Il suffit de mettre la vidéo en pause très vite. Donc, si nous augmentons notre confiance, donc si vous voulez être plus sûr d'avoir à écrire la prédiction, ce qui signifie que si elle serait 98%, par exemple, ou 99% au lieu de 95, sont Lang devrait devenir plus large. Donc, si les lignes deviennent plus larges, nous pouvons dire avec plus de certitude comme hey, oui, je pense que nous avons plus de chances maintenant de notre valeur de prévision, de la valeur prévue. Les résultats éventuels de notre valeur prévue se situeront dans la fourchette. Donc, plus la gamme est grande, plus vous pouvez être certain que c'est un peu dans la gamme. Si nous voulons réduire notre niveau de confiance à, disons 85 %. On devrait avoir une portée plus petite. Parce que la pression s'estompe à l'intérieur d'une plage. Mais il pourrait aussi être plus petit. À droite ? Cela vous donne donc une excellente vue d'ensemble de la prévision des valeurs. Et j'espère que c'était une leçon utile pour vous. Et d'ailleurs, c'est une excellente façon de visualiser, surtout si vous avez besoin de rapporter des choses et aussi pour notre projet. Et c'est un excellent moyen de visualiser les prévisions futures en fonction de la certitude dont vous avez besoin pour Font Awesome. Donc, dans la prochaine vidéo, nous allons examiner les données de prévision individuelles que nous pouvons extraire des formules. Quelques données lourdes que nous pouvons utiliser pour expliquer un peu mieux nos prévisions et pour en savoir un peu plus sur nos prévisions. Merci d'avoir regardé cette vidéo, et je te verrai dans la prochaine leçon. 7. Introduction à la régression: Bonjour et bienvenue à l'introduction à la régression. Dans cette vidéo, nous allons discuter de ce que cela signifie, ce qu'une régression signifie. Et cela va nous donner les outils dont nous avons besoin pour plonger dans nos deux prochaines vidéos où nous plongons dans l'analyse de régression. Donc, l'essentiel d'une analyse de régression est qu'elle commence toujours par une hypothèse. Et donc vous pourriez créer des hypothèses pour, par exemple, je pense que ce sont les hypothèses que lorsque la température monte, nous vendons plus de glaces. Avoir cette partie qualitative de l'équation, avoir cette offre qualitative votre analyse de régression après régression est très important parce que l'analyse des données ne vous donne pas nécessairement pourquoi il existe un certain relation entre deux ensembles de données. Il est donc très important d'examiner également pourquoi il pourrait y avoir une certaine corrélation entre deux points de données. Ensuite, la hiérarchie sera, que nous allons aussi plonger dans notre prochaine vidéo, progression, force. Donc, tout d'abord, nous voulons regarder et voir à quel point cette corrélation est forte. Donc si on monte un degré de température, un degré Celsius, combien de crème glacée croit-on vendre ? Et le dernier est deux. Et cela va montrer à quel point nous sommes certains qu'il s'agit en fait d'une corrélation et d'une régression que nous voyons dans nos données. Ainsi, des exemples, donc, client H affecte nos ventes ou si la valeur en dollars américains augmente, est-ce que cela a également affecté le cours de l'action de Google ou donc les périodes de livraison effet absentéisme des employés. Il est possible de répondre à ces trois questions sur des aspects quantitatifs à l'aide de l'analyse de régression. Mais encore une fois, nous ne pouvons pas supposer directement que ces hypothèses seront vraies. Ces questions seront vraies, principalement en ce qui concerne la partie quantitative de la recherche. Vous devrez également plonger dans la question de savoir s'il existe effectivement une relation entre les variables que nous voyons et les questions de dose. C' est ainsi que la régression boucle comme ici sur le côté droit, vous voyez une ligne de tendance entourée de débits. Et vous pouvez voir que sur la façon dont embauché à acheté est dans la valeur y. Plus il est probable que cela, je vais être élevé et la valeur x. Donc, c'est fondamentalement ce qu'une régression rencontre là plus près qu'elle reste à cette ligne. Plus nous pouvons être sûrs de notre agression. Et un plus dispersé et un plus partout dans un graphique, il est, la régression moins significative sera. La pente de notre ligne va déterminer la puissance notre régression et ce sont des choses que nous allons examiner dans une vidéo annexe aussi. Donc, fondamentalement, l' analyse de régression analyse la relation entre les variables indépendantes et dépendantes. Donc, nous avons différentes variables comme la température, les gens à l'extérieur et, et les gens et quels sont les magasins sont ouverts. Ces trois variables peuvent influencer notre approfondissement et V2 pourrait être distills cri, cri par exemple. Et l'analyse de régression va voir si, si C monte, b monte, ou monte si notre variable dépendante monte ou descend, évidemment. Il y a donc eu cette jolie introduction de l'analyse de régression. Nous allons plonger dans l'analyse de régression dans notre prochaine vidéo. Et j'espère que je vous y verrai. 8. Regression : Analyse: Bonjour et bienvenue à la prochaine vidéo où nous allons examiner l'analyse de régression. Dans cette vidéo, je vais bientôt élargir votre large nous sommes contextes un d'analyse de régression. Je vais vous montrer comment vous pouvez l'activer dans Excel. Étudiants, ce n'est pas une fonctionnalité par défaut dans Excel. Je vais aussi vous montrer comment vous pouvez les faire. Comment faire l'analyse de régression. Quelles sont les étapes à suivre pour le créer ? Enfin, nous examinerons ce qu'il faut examiner les résultats de l'analyse de régression. Donc, avant de commencer, c'est l'une des vidéos où des connaissances préalables sur les statistiques sont recommandées. Je vais essayer de le garder aussi léger que possible, a montré que les gens qui n'ont pas nécessairement vécu quelles statistiques peuvent suivre le long et encore appliquer analyse de régression à leur propre but. Mais encore une fois, à la bêta, nous allons regarder, vous avez probablement une meilleure idée de ce que cela signifie si vous avez une certaine expérience avec les statistiques. D' accord, donc avant de commencer, nous allons examiner nos données. Et je veux vous montrer pourquoi vous pourriez vouloir faire une analyse de régression. Donc nous avons la boisson est vendue et nous avons Sinek vendu. Nous devrions tous avoir à ce jour la température dans nos vidéos précédentes. Dans la colonne N. Cependant, je les ai mis l'un à côté de l'autre afin que vous puissiez voir pourquoi nous pourrions vouloir l'examiner. Donc, si nous allons à notre graphique que nous avons créé dans notre classe de prévisions et vous pouvez voir qu' il y a une tendance récurrente très forte dans les boissons vendues. Afin de savoir pourquoi il est si fluctuant et ce qui détermine nos boissons à monter et ce qui les détermine à descendre. Nous voulons faire une analyse de régression pour voir quelle est la relation. Donc ici, nous avons des boissons vendues, et comme vous pouvez le voir, la gentillesse de la température semble fluctuer avec les boissons vendues. Donc, avant de faire notre analyse de régression, nous voulons établir l'hypothèse que la température affecte le nombre de vendues fiévreusement. Bien qu'il s'agisse simplement d'une analyse quantitative et d'une analyse de régression, vous allez savoir de manière quantitative si c'est vrai. Cela ne signifie pas nécessairement que cela est corrélé et ceci est directement lié. Un exemple rapide serait quand c'est quand beaucoup de crèmes glacées sont vendues. Il y a aussi beaucoup de morsures de requin. Au C. On dirait qu'il n'a rien à faire, c'est se fermer et non. Lorsque vous feriez une analyse de régression avec ces deux événements, vous constateriez probablement qu'il y a une régression. Bien que manger plus de crème glacée n'a rien à voir avec plus de gens se faire mordre par les requins ou plus d'octets par les requins ne va pas amener plus de gens à acheter de la crème glacée de la neige. Qu' est-ce que la variable indépendante ? Et c'est juste le temps. Donc quand il y a, quand le temps est bon et que les températures sont élevées et que plus de gens vont à plage où les gens risquent d'être mordus par des requins et plus de gens achètent des glaces. J' essaie juste de vous montrer qu'il est très important de réfléchir à la raison pour laquelle il pourrait y avoir une corrélation entre vos données. n'est donc pas seulement quantitatif. Il y a aussi un rôle qualitatif dans la recherche de relations entre les données. Dans cette classe, nous nous concentrons simplement sur la partie quantitative. Bon, donc avec cela dit, commençons à créer notre analyse de régression. Il faudra d'abord l'activer. Cela dépend de la version Excel que vous utilisez, et cela dépend du système d'exploitation que vous utilisez. J' utilise un mech et j'ai Office 365. Donc pour moi, cela signifierait que je dois aller ici, cliquer sur les outils, cliquer sur les compléments Excel. Et ici, vous pouvez ajouter l'analyse. Pour les personnes qui utilisent Windows ou différentes versions d'Excel, accédez aux options et elles sont bonnes à modifier. Et pour certaines personnes, ce sera probablement là. Et ici, vous pouvez cliquer sur les options et vous pouvez éventuellement sélectionner les modifications, puis Analysis ToolPak. Si vous êtes coincé ici, jamais vous convaincre de lui donner une recherche rapide Google votre version Excel, vous avez votre système d'exploitation, et vous devriez certainement être en mesure de le trouver. Il y a juste une variété d'options, comment vous pouvez y arriver. Nous allons donc maintenant baisser une fois que nous avons activé notre outil d'analyse. Et nous allons tout le chemin vers la droite, nous cliquons sur l'analyse des données, et ici nous pouvons sélectionner la régression. Donc, nous cliquons sur OK. Et maintenant, nous pouvons commencer, commencer à sélectionner nos données. Mes données sont donc déjà sélectionnées. J' ai ici a1, désolé, ça devrait être b1 jusqu'au 85. Et celui-ci devrait être c1 jusqu'à 85. Nous voulons sélectionner les étiquettes car dans la première ligne nous avons des étiquettes. Et notre niveau de confiance sera de 95 %, ce qui signifie que nous allons être sûrs à 95 %. Et cette régression de l'eau va donner le bon résultat. Ici, nous avons notre sortie de l'analyse de régression. Et pour l'instant, nous allons juste mettre en évidence quelques-unes des données que nous voyons en ce moment pour interpréter notre analyse de régression. Donc on va commencer ici. Ici, nous avons le carré r et le carré R ajusté. Ces deux chiffres identifient donc la prévisibilité de notre régression. Donc, dans ce cas, nous cherchons comment la température affecte les boissons vendues. Et selon nos données, c'est environ 85% influencé par la température. Le carré R ajusté sort les extrêmes et est un peu plus conservateur que le carré R. Et chaque cas, dans notre cas, c'est presque similaire. Donc, nous pouvons dire que selon ses ne sont pas RSquared qui sont des boissons vendues, est en mesure d'être prédit par la température. Nos observations ici sont le nombre de lignes que nous avions essentiellement des données de DSE. Donc, si nous allons à nos données ici, vous pouvez voir qu'il y a 84 entrées à partir d'ici. Tout le chemin jusqu'à ici. C' est donc un certain nombre d'observations. Ensuite, nous arrivons à notre niveau de signification. Donc nous allons le niveau de signification nous donne le pourcentage que ce que nous avons obtenu est obtenu par hasard pur. Donc pour l'instant, c'est écrit scientifiquement. Mais si on veut lire ça un peu plus facilement, on peut aller voir le général. Nous pouvons sélectionner le numéro. Et puis on obtient 0.0.0. Et puis si nous continuons à cliquer pour développer, nous ne devrions pas vouloir pointer et commencer à voir quelques chiffres. Mais cela nous montre juste comment forte et combien, combien faible le pourcentage qui a dit cela est obtenu par hasard pur. Nous avons vu le graphique et le graphique indique certainement une forte tendance récurrente. Et ici, nous commençons à voir que c'est 0, puis 35 zéros plus tard, 30 à 1%, que cela est obtenu par hasard pur. Donc, nous pouvons dire fondamentalement que ce que nous observons n'est pas obtenu par hasard. Et puis si nous descendons ici, nous arrivons à la température, qui est l'une de nos variables dépendantes et indépendantes. Et nous pouvons voir à quel point nos boissons vendues augmentent par une dette de température. Donc, si notre température augmente d'un degré, notre moyenne prévue de boissons vendues par mois augmente de 74. Et notre valeur de p nous donne également le pourcentage de chance que nous avons que cela soit obtenu par hasard pur. Donc encore une fois, si nous pouvions élargir celui-ci, nous obtenons le même résultat est ici. Voici nous devons ajouter 40 zéros. Et ici, nous devons ajouter 35 zéros pour obtenir un nombre. Donc, les chances de cela être obtenu par pur district aléatoire très, très, très faible. Donc, dans l'ensemble, nous pouvons conclure qu'il y a une corrélation assez forte entre nos températures et une boisson vendue entrer chances. La sécurité que nous avons dans cette incroyablement haute. Donc, sur la base de cela, nous pourrions dire oui, diverses relations entre la température et la ressource de boisson. D' accord, c'était tout pour cette vidéo. J' espère que cette analyse de régression vous a donné une idée de la façon dont vous pouvez trouver des corrélations entre variables dépendantes et variables indépendantes. Si vous, au cas où vous voulez en savoir plus à ce sujet et laissez-moi savoir dans les commentaires ci-dessous. Et je pourrais étendre nos classes plus en statistiques et un peu plus en profondeur sur la façon de lire chacune de ces valeurs. Et les plus importants que vous connaissez en ce moment. Mais en savoir un peu plus sur les statistiques vous aidera à comprendre tout ce que vous pouvez mieux. D' accord, merci d'avoir regardé ce cours et j'espère que je te verrai dans la prochaine vidéo. 9. Examen du projet: Bonjour et bienvenue à la vidéo où nous examinerons notre projet. Mais des notes rapides avant de plonger dans cette vidéo et que vous n'avez pas encore fait le projet, s'il vous plaît arrêter la vidéo, mettre la vidéo en pause, et allez faire le projet vous-même en premier. Et si vous êtes prêt à passer en revue, si vous êtes allé dans la bonne direction en faisant le projet, alors asseyez-vous avec la vidéo et nous allons voir comment projeter aurait pu être fait. D' accord, donc nous allons commencer par nos prévisions. J' ai déjà rempli le projet ici. Et nous commencerons par la façon de faire les prévisions des seuils 20212022. Donc, nous allons à cela, cette analyse de données. Et avant que nous puissions commencer à créer un graphique r artificiel. Et nous voulons que les prévisions soient des données. J' ai utilisé un critique de prévisions saisonnières. Comment vous auriez pu le découvrir, que vous auriez dû utiliser des prévisions, pensé ETS, au lieu de la base linéaire en traçant le graphique vous-même en premier et en regardant un modèle, vous pouvez voir que c'est, cela doit avoir quelques saisonnalité en elle. Pour dire que les mois augmentent chaque année, qui sont septembre, novembre et décembre, et mars veut aussi augmenter un peu. Donc, avec cela à l'esprit, vous pouvez déjà voir comme, hey, allons utiliser la version ETS de prévision pour nous assurer que nous ne sommes pas réellement en train de prévoir cette propriété. Si vous ne l'auriez pas fait, alors dans ce graphique, vous auriez dû voir une ligne droite suivant la ligne de tendance. Ensuite, si vous avez cela, vous créez simplement le graphique. Vous ajoutez une bonne ligne de tendance au cas où vous ne le savez pas encore, vous modifiez en cliquant sur le graphique, allant au graphique xi1. Et ici, vous pouvez choisir à la ligne de tendance. Ensuite, lorsque vous sélectionnez une ligne de tendance et linéaire dans ce cas, vous avez la possibilité de baser votre ligne de tendance sur les ventes prévues et les hypothèses signalées. Mais puisque nous voulons comparer aux transferts linéaires est les tendances saisonnières, vous ne voulez pas le baser sur la bêta prévue. Cela n'aurait pas de sens parce que si vous l'utilisez et les prévisions de données, vous basez vos tendances de base sur des prévisions déjà bêta. Je suis basé que renforcer les résultats vous donne une meilleure comparaison de vos prévisions saisonnières et dans ce cas, vos prévisions linéaires. Ensuite, nous allons à la 20212022, patron inférieur et supérieur. Dans sa façon très similaire d'y arriver, Dan, la pauvre formule ETS de point crass. Mais pour celui-ci, vous devrez d'abord calculer l'intervalle de confiance. Dans ce cas, nous arrivons à 70 000 pour le 21 janvier. Et puis nous allons utiliser nos prévisions, ces données. Nous allons soustraire notre intervalle de confiance. Et pour notre limite supérieure, nous allons l'augmenter à partir de notre valeur prévue. Et puis vous avez les données pour votre limite supérieure et inférieure. Et les 90 mille échecs que vous voyez ici sont copiés et collés à partir de sont déjà des données prévisionnelles. Et cela va vous aider à vous débarrasser de l'écart que vous pourriez avoir entre vos deux lignes de données. Donc, entre les lignes de données résultantes et prévues, si vous n'ajoutez pas ces 90 000, vous obtiendrez un écart. Et maintenant, pour aligner bien les flux à travers une prévision de lignes de données. Et ce à quoi je fais allusion, c'est cette partie. Juste ici. Si vous ne ajoutez pas à 90 mille, puis incliné votre vert et votre ligne rouge va commencer après un get. Juste une petite touche. C' est une autre très révolutionnaire si vous n'ajoutez pas ça. Donc, pour celui-ci, également très important de baser votre ligne de tendance sur les données de résultats, données de ventes rapportées si vous ne le faites pas, et vous allez, tout d' abord, avoir une ligne de tendance qui est linéaire embauchée. Cela devrait être parce qu'il commence à partir de 0 et il suppose qu'il va de 0. Et il commence avec 90,229 va à une moitié de tir transmise plus élevée. Donc, base-le vraiment sur vos ventes enregistrées. D' accord, il y avait une première partie. Ensuite, nous passons à notre analyse de régression, quelque chose qu'elle aurait dû prendre en compte ici. Et au lieu de cela, il y a deux types d'analyse différents que nous avons fait. Donc, nous avons à la fois notre analyse comme nous l'avons discuté dans la classe et que nous voulions mettre en vedette à partir d'Excel avec les données très spécifiques. Nous avons aussi la partie visuelle. Tout d'abord, votre et sortie devrait ressembler à ceci. Et nous pouvons utiliser nos données pour les coller dans notre domaine ici. Si vous obtenez des réponses différentes, aussi avec les graphiques qui ont des boucles différentes pour vous, veuillez retourner à la vidéo et vérifier quelle étape a été en campagne ou ouvrir ce fichier Excel et voir s'il y a une différence dans les formules pour la partie de prévision que celles que vous utilisez ? Si vous le lisez, un peu comprendre et laisser un commentaire dessous de cette vidéo, et je vais vous aider. Donc notre force ajustée est de 52,52. Cela signifie que notre force de régression n'est pas si forte, comme par réduction ou PR et les budgets marketing sont toujours, ne monte pas un à un, mais c'est plus pour 50%. C' est donc une régression médiocre. Cependant, notre importance est incroyablement élevée. Donc 0.0.0 00 et quelques zéros, 3-5 pour cent signifie qu'avec ce pourcentage de visites, le pourcentage qui sont des données ou de régression est obtenu par hasard pur, par pure chance et bases incroyablement bas. Et une sorte de régression semble être assez forte. Et puis nous devons choisir quelles variables. Donc les budgets d'escompte ou de marketing sont en fait à l'origine de cette régression. Je suis sélectionné budget marketing. Et la raison en est que si nous allons à notre onglet de régression et que vous montez ici, vous pouvez effectivement voir dans la valeur P que notre moyenne, ce KM donné est loin de nous donner un significatif pour obtenir 65%. Escompte moyen donné AS ayant un effet de régression. Et sur nos données de vente. Cependant, notre budget marketing est zéro point, encore une fois, 00 quelque chose. Je vais te montrer un peu mieux. Donc 0.0.0 et quelques 0 pour 7% de chances que cette progression du budget marketing soit obtenue par chance, par pure chance. Encore une fois, c'est très bas. Et donc vous pouvez également dire que la plupart de ces chiffres pour signification ici et notre R-carré ajusté et notre hors écran ici, et est principalement motivé par seau marketing. Donc, ce que j'ai fait, j'ai créé une autre analyse de régression juste pour voir, voir ça. Et comme vous pouvez le voir, sans le rabais moyen compte tenu de notre force et de notre agression, reste presque le même, ça ne change pas beaucoup. La signification est encore plus forte. Et notre valeur q et notre force de cette corrélation sont également très fortes. Nous pouvons donc déjà dire que notre régression vient du budget marketing. Le facteur clé dans ce cas est ce nombre à 65% que l'escompte moyen donné comme ayant effectivement une corrélation d'effet de régression avec les données de Suez. Par conséquent, nous ne pouvons pas supposer que notre réduction moyenne compte tenu de la corrélation des risques, mais notre budget marketing le fait. Je suis passé à visualiser ça. J' ai également créé deux scatters plus. Et ce que vous pouvez voir est l'ici, vous pouvez très visuellement, très bien voir si les zones ou la régression en cours, s'il y a une corrélation. Et ici, vous pouvez déjà voir cette ligne de tendance ne monte pas vraiment. Il ne descend pas vraiment, ce qui signifie que peu importe le niveau de remise accordé, il ne change pas vraiment les ventes, comme vous pouvez le voir. Et dans celui-ci, vous pouvez voir que dans notre budget marketing, il est clairement dit que l'a embauché un budget marketing. Donc, engager nos pensées. Aussi dans la plupart des cas, plus notre Celsius est élevé. Et comme vous pouvez le voir aussi par cette ligne de tendance qui monte, sorte de ligne de tendance prend la moyenne de tous nos différents coffres de données ici. C' est donc un excellent moyen visuel d' illustrer les corrélations et à la suite de votre analyse de régression. Cependant, celui-ci n'est pas créé à partir de ces analyses de régression. Je viens de l'utiliser à partir des données brutes. Ce sont donc deux façons différentes d'analyser la régression. Cependant, celui-ci est plus visuel et plus clair si vous voulez fournir brièvement des informations à quelqu'un d'autre, mais celui-ci va un peu plus en profondeur s'il y a vraiment une régression en cours. Donc c'était à ce sujet. Nous avons créé nos graphiques sont déjà mis ici. Je télécharge ce fichier en tant que pétrole en classe. Donc, si vous voulez l'examiner, n' hésitez pas à le télécharger et à y entrer, entrer en vous. Et j'ai tous les deux téléchargé pour terminer MV inachevé Perse. Donc oui, au cas où encore une fois, des questions me le font savoir dans la vidéo ci-dessous et je vais vous aider. Et je te verrai dans la prochaine vidéo où nous allons terminer notre cours. Merci d'avoir regardé. 10. Outro: Super. Tu es arrivé jusqu'à la fin de la classe. Donc, dans cette classe, nous avons appris comment nous pouvons faire une prévision linéaire et saisonnière. Et vous avez également appris à faire et à analyser une analyse de régression. Si vous avez encore des questions sur ce que nous avons appris dans ce cours, hésitez pas à laisser un commun ci-dessous, et je vous répondrai le plus rapidement possible avec une solution. Au cas où vous auriez aimé ce cours. Et tu crois que tu as appris quelque chose de ce cours m'a beaucoup aidé. Si vous voulez laisser un commentaire sur mon profil. Et j'espère vous voir dans n'importe lequel de mes autres cours où j'enseigne, par exemple, comment créer un tableau de bord interactif dans Excel. Et aussi une classe sur les outils d'analyse de données de base que nous avons un Excel. J' espère que je te verrai dans n'importe lequel de mes autres cours. Et merci d'avoir suivi celui-ci.