返回目录：excel表格制作
您好，我看到您的问题很久没有人来回答，但是问题过期无人回答会被扣分的并且你的悬赏分也会被没收！所以我给你提几条建议：
一，你可以选择在zd正确的分类下去提问，这样知道你问题答案的人才会多一些，回答的人也会多些。
二，您可以到与您问题相关专业网站论坛里去看看，那里聚集了许多专业人才，一定可以为你解决问题的。
三，你可以向你的网上好友问友打听，他们会更加真诚热心为版你寻找答案的，甚至可以到相关网站直接搜索.
四，网上很多专业论坛以及知识平台，上面也有很多资料，我遇到专业性的问题总是上论坛求解决办法的。
五，将你的问题问的细一些，清楚一些！让人更加容易看懂明白是什么意思!
谢谢采纳权我的建议! !！
1、将数值依此输入excel，并选中百该表所有数值，如图所度示。
2、依此点击：插入--图表---散点图--第一个图样式，如图知所示。道
3、出现如下散点图，现在我们对散点图进行设置。
4、鼠标对着专其中一个点，右击，选择添加趋属势线。
5、选中线性。
6、勾选公式和r²。
6、得到如下图所示。
手头比方说有如下的数据，如果我们要对未来收入进行预测，该怎么做呢，当然是要找合适的回归模型！这个可以利用差分法或者散点图来判别，不过还是散点图比较方便，还可以自动出拟合回归方程。
插入散点图如下，我们首先看一下散点的波动情况，如果对趋势线比较熟悉的话，应该知道这是二次曲线，不知道也不要紧，我们可以一个个试！
右击散点图中的数据标记，找到“添加趋势线”进入“趋势线选项”界面。
经过一个个试之后，来到多项式，顺序为2，代表e799bee5baa6e4b893e5b19e332二阶多项式模型，即，还要勾选下方的显示公式和R平方值。R方代表着回归方程的拟合程度，越靠近1越好，我们已经看到R方是0.999了，已经拟合的很好了！
以上是一种方法，不过系数还要自己抄多麻烦，况且常数项被简写了到底是多少啊？？要自己去求得的话也特别简单，使用Linest函数即可，大家不知道吧，我也是刚刚知道，太好用了！！！！
LINEST函数简介：
LINEST(known_y's, [known_x's], [const], [stats])
LINEST 函数语法具有以下参数 （参数:为操作、事件、方法、属性、函数或过程提供信息的值。）：
Known_y's 必需。关系表达式 y = mx + b 中已知的 y 值集合。
如果 known_y's 对应的单元格区域在单独一列中，则 known_x's 的每一列被视为一个独立的变量。
如果 known_y's 对应的单元格区域在单独一行中，则 known_x's 的每一行被视为一个独立的变量。
Known_x's 可选。关系表达式 y = mx + b 中已知的 x 值集合。
known_x's 对应的单元格区域可以包含一组或多组变量。如果仅使用一个变量，那么只要 known_y's 和 known_x's 具有相同的维数，则它们可以是任何形状的区域。如果使用多个变量，则 known_y's 必须为向量（即必须为一行或一列）。
如果省略 known_x's，则假设该数组为 {1,2,3,...}，其大小与 known_y's 相同。
const
可选。一个逻辑值，用于指定是否将常量 b 强制设为 0。
如果 const 为 TRUE 或被省略，b 将按通常方式计算。
如果 const 为 FALSE，b 将被设为 0，并同时调整 m 值使 y = mx。
stats
可选。一个逻辑值，用于指定是否返回附加回归统计值。
如果 stats 为 TRUE，则 LINEST 函数返回附加回归统计值，这时返回的数组为 {mn,mn-1,...,m1,b;sen,sen-1,...,se1,seb;r2,sey;F,df;ssreg,ssresid}。
如果 stats 为 FALSE 或被省略，LINEST 函数只返回系数 m 和常量 b。
如何就这个例子应用函数呢？因为我们要产生3个数分别是常数项，回归系数2项，因此，我们要选中3个单元格以便输出3个数字即A14：C14。
然后按F2，输入{=LINEST(C3:C11,B3:B11^COLUMN($A:$B),TRUE,FALSE) }公式，再按Ctrl+Shift+Enter返回数组。(必须按数组模式输入公式，输入成功的话会看见“{}”这两个符号),看见了吧，已经产生了3个数字！！！
跟散点图的公式去核对一下是不是一模一样？这样我们就可以预测2006年的收入！！！后面不再写了吧。。略过。
公式说明，C3:C11选择了Y数据，B3：B11选择了X数据，^COLUMN($A:$B)，后面COLUMN其实返回的是数据所在列号即（1，2）代表1次方和2次方，也就是产生了这样的公式，后面的TRUE代表输出常数项，最后一个FALSE只返回系数和常量，不返回附加回归统计值。
1.选择成对的数据列，将它们使用“X、Y散点图”制成散点图。
2.在数据点上单击右键，选择“添加趋势线”-“线性”，并在选项标签中要求给出公式和相关系数等，可以得到拟合的直线。
3.由图中可知，拟合的直线是y=15620x+6606.1，R2的值为0.9994。
4.因为R2 >0.99，所以这是一个线性特征非常明显的实验模型，即说明拟合直线能够以大于99.99%地解释、涵盖了实测数据，具有很好的一般性，可以作为标准工作曲线用于其他未知浓度溶液的测量。
5.为了进一步使用更多的指标来描述这一个模型，我们使用数据分析中的“回归”工具来详细分析这组数据。
6.在选项卡中显然详细多了，注意选择X、Y对应的数据列。“e68a84e79fa5e98193339常数为零”就是指明该模型是严格的正比例模型，本例确实是这样，因为在浓度为零时相应峰面积肯定为零。先前得出的回归方程虽然拟合程度相当高，但是在x=0时，仍然有对应的数值，这显然是一个可笑的结论。所以选择“常数为零”。
7.“回归”工具为提供了三张图，分别是残差图、线性拟合图和正态概率图。重点来看残差图和线性拟合图。
8.在线性拟合图中可以看到，不但有根据要求生成的数据点，而且还有经过拟和处理的预测数据点，拟合直线的参数会在数据表格中详细显示。本实例旨在提供更多信息以起到抛砖引玉的作用，由于涉及到过多的专业术语，请各位读者根据实际，在具体使用中另行参考各项参数，此不再对更多细节作进一步解释。
9.残差图是有关于世纪之与预测值之间差距的图表，如果残差图中的散点在中州上下两侧零乱分布，那么拟合直线就是合理的，否则就需要重新处理。
10.更多的信息在生成的表格中，详细的参数项目完全可以满足回归分析的各项要求。下图提供的是拟合直线的得回归分析中方差、标准差等各项信息。