Analysis Toolpak 是EXCEL的数据分析工具包，可以代替SPSS做简单的方差分析、相关回归、t检验、F检验，还有基础的描述统计、抽样、随机...
1. 首先，你得在EXCEL加载项中添加数据分析工具包：
2. 从描述统计开始尝试：
☆ 分组方式：选择原始数据中每个变量是按行排列还是按列排列
☆ 标志位于第一行：选中数据区域中是否包含变量名
☆ 汇总统计：输出所有常用的描述统计指标
☆ 平均数置信度：置信区间，通常α是.05，CI选择95%
☆ 第K大/小值：输出你关心的排名对应的数值
可以看到选中数据集的集中、离散、分布（相对于正态）参数，样本量、和、置信区间
复习一下峰度、偏度以及置信区间的概念：
峰度>0，分布图比正态分布图更高更瘦，数据更集中
峰度<0，分布图比正态分布图更矮更胖，数据峰分散
偏度>0，正偏态分布，最高值往左移动，长尾向右
偏度<0，负偏态分布，最高值往右移动，长尾向左
95%置信区间：抽样样本对应的【总体的均值】落在该区间内的概率为95%
根据图中给出的置信度，可以得出95%置信区间为 [17.61-9.07，17.61+9.07 ]
图中给出的是围绕样本均值给出的区间的长度的一半，在这个区间内有95%可能捕捉到总体均值
3. 再画个直方图：
☆ 首先要定义一下分组的组距（EXCEL只能画数值分组的频率直方图）
☆ 如果选中区域包含变量名，一定要勾选【标志】
☆ 一定要勾选【图表输出】
☆ 如果需要在直方图上加一条累计百分比的折线，勾选【累计百分率】
☆ 如果需要把横坐标按照频率高低重新排布，勾选【柏拉图】
4. 抽样
抽样的第一步是从总体中随机/按照一定规律抽取样本，第二步是对样本进行假设检验来推论总体参数，包括t检验（2样本均值）、z检验（2样本均值查）、F检验（2样本方差）
EXCEL的抽样是【有放回抽样】，所以一个Case可能被抽到多次，如果你不希望重复，可以多次抽样，然后得到一个不重复的样本
周期抽样得到的样本是由样本量和间隔决定的（一共36个样本，间隔为5，只能得到7个Case）
5. 来个相关分析
相关分析：研究2个或以上随机变量之间相互依存关系的方向和密切程度
直线相关-相关系数 （绝对值在0.3-0.8之间算中度相关，it depends）
曲线相关-相关指数
多重相关-复相关系数
6. 如果相关很强，可以考虑一下回归
相关VS.回归
相关是没有方向的，都是随机变量；回归有方向，自变量是确定变量，因变量是随机变量
相关能得到相关系数，回归可以得到回归系数
相关只能根据正负相关判断依存变化方向，回归能通过自变量去预测因变量的变化方向和程度
第一步，确定自变量因变量：用推广费用预测销售额
第二步， 绘制散点图
A 选中横坐标轴，重新设定坐标轴最大值最小值以及间隔值
B 更改图标呈现方式，呈现并更改坐标轴标题，删除表名和系列标识
C 选中散点序列，右键更改格式，调整形状和大小，使图表清晰
第三步，求参数，搭模型
A 在类别中选中【线性】
B 勾选【显示公式】
C 勾选【显示R平方值】
方程和R方都如图所示：
第四步，进行3个检验
输入：选择XY来源，确定是否包含变量名（标志），确认CI概率，常数为0就是正比例函数
残差：预测值与观测值之间的差值——勾选残差、标准残差，会输出对应的数值
残差图：IV为横轴，残差为纵轴——若点在X=0上下随机分布，则拟合合理，反之重新建模
线性拟合图：IV为横轴，DV+DV-expected为纵轴——对比预测值与真实值的分布
正态概率图：IV百分位排名为横轴，DV为纵轴——若为直线则符合正态分布
A 回归统计表——>拟合优度检验（R方）——回归模式是否很好拟合这些数据？
Multiple R——>相关系数绝对值
R Square——>R方，判定系数
Adjusted——>在多重回归中，衡量加入新的自变量后模型的拟合程度是否变好
Std.Error of the Estimate（翻译有误）——>残差的标准差/剩余标准差，越小拟合程度越好
B 方差分析表——>回归模型的显著性检验（F test）——线性回归模型能否描述变量间关系？
——因变量与所有自变量间的线性关系是否显著？
Df ——>自由度
SS ——>误差平方和
MS ——>均方差
F ——> F统计量，报告的时候需要报告F值和对应p值
Sig F——> 此处代表p值（命名有歧义），即当H0成立时出现当前F值的概率，如果p<α=.05/.01，则推翻H0，认为模型显著
C 回归系数表——>回归系数的显著性检验（t test）——指定的线性回归模型是否显著？
——因变量与每一个自变量间的线性关系是否显著？
Intercept——>截距
Coefficient——>回归系数的值
各自变量对应行表示该自变量与因变量之间线性关系的检验结果：
若p<α&系数落入95%置信区间,表示该自变量与因变量间的线性关系显著，报告t值+对应的p值
综合上述3个表格的结果给出关于回归模型拟合效果的结论：
回归模型为...其中判定系数为...回归模型拟合效果较好，回归模型的F检验与回归系数的t检验对应的p值都远小于.01，具有显著线性关系。综合来说，回归模型拟合较好。
第五步，根据给出的X值，用回归模型预测Y值
☆ 多重线性回归
步骤一律同上，结果解读和报告要选择 Adjusted R Square！
7. 时间序列预测——>移动平均——>用算数平均值作为预测值
间隔为N就是指——取最后N个值求平均值
此处的预测值就是——把往前N个实际值得算数平均值（其他的数据都没有被利用）
间隔2次第一个日期无对应的预测值，间隔3次前2个日期无对应的预测值
把新生成的4个列下拉得到对应值，保留标准误差小的预测值
8. 时间序列预测——>指数平滑——>用加权平均值作为预测值
α——平滑系数，取值0-1
β——阻尼系数，取值0-1
β=1-α，所以你只需要设定β
β怎么设定：如果你手头的数据集随时间波动不大，令β=0.1/0.2/0.3 各试一遍选最优
如果波动大，令β=0.7/0.8/0.9 各试一遍选最优 （实际上你想从0.1-1.0都试一遍也成）
把新生成的各列下拉得到对应值，保留标准误差最小的预测值：本例选择α=.9时的预测值
——————————图表如果不清晰，可以单击以查看原图
Done Bravo~