Как сделать прогноз с помощью регрессии в Excel: пошаговое руководство

Если при построении прогноза в Excel вы получаете абсурдно завышенные или заниженные значения, проблема скорее всего кроется в неправильном выборе типа регрессии или игнорировании выбросов в исходных данных. Линейная регрессия в Excel автоматически экстраполирует тренд, но без предварительной обработки данных результат может искажаться на 30-50%. Например, при анализе продаж за 12 месяцев модель может показывать отрицательные значения на следующий год, если не учесть сезонность или аномальные пики.

Чтобы избежать таких ошибок, сначала проверьте данные на линейную зависимость с помощью графика рассеяния (Вставка → Диаграмма → Точечная). Если точки образуют хаотичное облако, а не приближенную к прямой линию, линейная регрессия не подходит — потребуется полиномиальная или экспоненциальная модель. В этой статье разберём, как правильно настроить регрессионный анализ в Excel (включая версии 2019, 2021 и Microsoft 365), проверить качество модели и спрогнозировать значения с минимальной погрешностью.

1. Подготовка данных: что нужно сделать до построения регрессии

Перед тем как запускать инструмент Регрессия из пакета анализа, исходные данные требуют обязательной предобработки. Наиболее частые ошибки на этом этапе:

• 📊 Пропущенные значения: даже одна пустая ячейка в столбце приведёт к сбою расчётов. Используйте =СРЗНАЧ() или =ПРЕДСКАЗ() для заполнения пропусков.
• 📈 Выбросы: значения, выходящие за пределы ±2σ (среднеквадратичное отклонение), искажают коэффициенты модели. Удалите их или замените на медианные.
• 🔄 Нелинейные зависимости: если график рассеяния показывает параболу или гиперболу, линейная регрессия даст неточный прогноз.

Для проверки нормальности распределения данных используйте функцию =НОРМ.РАСП() или постройте гистограмму (Вставка → Гистограмма). Если распределение сильно скошено, примените логарифмическое преобразование (=LN()) к столбцу с данными. Например, для анализа роста продаж по месяцам логарифмирование сгладит экспоненциальный тренд.

2. Включение пакета анализа: где найти инструмент "Регрессия"

Инструмент Регрессия скрыт в надстройке Пакет анализа, которая по умолчанию отключена. Чтобы её активировать:

1. Перейдите в Файл → Параметры → Надстройки.
2. Внизу окна выберите Управление: Надстройки Excel и нажмите Перейти.
3. Отметьте галочкой Пакет анализа и подтвердите ОК.

После активации инструмент появится в меню Данные → Анализ данных → Регрессия. В Excel 2016 и новее пакет анализа включён по умолчанию, но в корпоративных версиях может быть заблокирован администратором. Если пункта нет в меню, проверьте права доступа или используйте альтернативный метод через функции =ЛИНЕЙН() или =НАКЛОН().

3. Построение линейной регрессии: пошаговая инструкция

Рассмотрим процесс на примере прогнозирования продаж по данным за 12 месяцев. Исходные данные:

Шаги для построения модели:

1. Выделите диапазон с данными (включая заголовки).
2. Перейдите в Данные → Анализ данных → Регрессия.
3. В поле Входной интервал Y укажите столбец с продажами, в Входной интервал X — столбец с месяцами.
4. Отметьте галочки:
   • 📌 Метки (если включены заголовки столбцов).
   • 📌 Уровень надёжности: 95%.
   • 📌 Остатки (для дальнейшего анализа погрешностей).

В выходных данных обратите внимание на:

• 🔹 R-квадрат (коэффициент детерминации): значение ближе к 1 означает высокую точность модели. Если R² < 0.7, линейная регрессия не подходит.
• 🔹 Значимость F: должна быть < 0.05, иначе модель статистически ненадёжна.

- Коэффициент детерминации (R²) > 0.7|-

- Значимость F < 0.05|-

- Остатки распределены случайно (без паттернов)|-

- Нет автокорреляции остатков (проверяется тестом Дурбина-Уотсона)-->

4. Прогнозирование новых значений с помощью регрессии

После построения модели можно спрогнозировать значения Y для новых X двумя способами:

Способ 1: Формула на основе коэффициентов

В выходных данных регрессии найдите:

• 📉 Y-пересечение (b): свободный член уравнения (ячейка B17 в стандартном отчёте).
• 📈 Переменная X1 (a): коэффициент наклона (ячейка B18).

Формула для прогноза:

=a * X_novy + b

Например, если a = 12.5, b = 100, а X_novy = 13 (13-й месяц), то прогноз:

=12.5 * 13 + 100 = 262.5

Способ 2: Функция =ПРЕДСКАЗ()

Синтаксис:

=ПРЕДСКАЗ(новое_X; известные_Y; известные_X)

Пример для нашего случая:

=ПРЕДСКАЗ(13; B2:B13; A2:A13)

Где B2:B13 — продажи, A2:A13 — месяцы.

=НАКЛОН(известные_Y; известные_X) * новое_X + ОТРЕЗОК(известные_Y; известные_X)

5. Проверка точности прогноза: анализ остатков

Остатки (разница между фактическими и предсказанными значениями) помогают оценить качество модели. Если остатки:

• 🔴 Имеют тренд: модель недоучла нелинейность. Попробуйте полиномиальную регрессию.
• 🔴 Увеличиваются с ростом X: гетероскедастичность. Примените взвешенную регрессию.
• 🟢 Распределены случайно: модель адекватна.

Для визуализации остатков:

1. Скопируйте столбец Остатки из выходных данных регрессии.
2. Постройте точечную диаграмму (Вставка → Точечная) с осью X — исходные значения, ось Y — остатки.
3. Добавьте линию тренда (Щелчок ПКМ по точкам → Добавить линию тренда). Если линия не горизонтальна, модель требует доработки.

6. Альтернативные методы прогнозирования в Excel

Если линейная регрессия не подходит, рассмотрите другие инструменты:

Для полиномиальной регрессии второй степени (параболы) создайте дополнительный столбец с X² и включите его в Входной интервал X при запуске инструмента Регрессия. Например:

| X (месяц) | Y (продажи) | X²  |
|-----------|-------------|-----|
| 1         | 120         | 1   |
| 2         | 135         | 4   |

7. Типичные ошибки и как их избежать

Ошибка 1: Экстраполяция за пределы данных

⚠️ Внимание: Линейная регрессия надёжно прогнозирует только в пределах ±20% от максимального X в исходных данных. Например, если у вас данные за 12 месяцев, прогноз на 15-й месяц будет менее точным, чем на 13-й.

Решение: используйте =ТЕНДЕНЦИЯ() с ограничением диапазона или комбинируйте с экспертными оценками.

Ошибка 2: Игнорирование мультиколлинеарности

Если в модели несколько переменных X (например, месяц + рекламный бюджет), проверьте их корреляцию. Коэффициент корреляции > 0.8 между предикторами искажает результаты. Используйте функцию:

=КОРРЕЛ(диапазон_X1; диапазон_X2)

Ошибка 3: Пропуск проверки нормальности остатков

Ненормальное распределение остатков означает, что модель системно занижает или завышает прогнозы. Проверьте с помощью:

• 📊 Гистограммы остатков (должна напоминать колокол).
• 📉 Q-Q графика (квантиль-квантиль).

8. Автоматизация прогнозирования с помощью Power Query

Для регулярного обновления прогнозов (например, ежемесячных отчётов) настройте автоматический импорт данных и расчёт регрессии через Power Query:

1. Импортируйте данные: Данные → Получить данные → Из файла/базы.
2. В редакторе Power Query добавьте пользовательский столбец с формулой регрессии:

= [Столбец_X] * {коэффициент_a} + {коэффициент_b}

3. Сохраните запрос и обновите данные: Данные → Обновить все.

Преимущество метода: при добавлении новых строк (например, данных за 13-й месяц) прогноз пересчитается автоматически. Для сложных моделей (с несколькими переменными) используйте язык M в Power Query:

let
Источник = Excel.CurrentWorkbook(){[Name="Таблица1"]}[Content],
ДобавитьПрогноз = Table.AddColumn(Источник, "Прогноз", each [Месяц] * 12.5 + 100)
in
ДобавитьПрогноз

FAQ: Ответы на частые вопросы

=ЛИНЕЙН(B2:B13; A2:A13; ИСТИНА; ИСТИНА)