Thep Excel
RSQค่าสัมประสิทธิ์ R-squared
ฟังก์ชันที่ส่งคืนค่า R-squared (R²) หรือสัมประสิทธิ์การตัดสินใจ แสดงสัดส่วนของความแปรปรวนในตัวแปรตามที่สามารถอธิบายได้จากตัวแปรอิสระ ค่าอยู่ระหว่าง 0 ถึง 1
Syntax & Arguments
| อาร์กิวเมนต์ | ชนิด | คำอธิบาย |
|---|---|---|
| known_y's | Range/Array | อาร์เรย์หรือช่วงของค่า y ที่ทราบ (ตัวแปรตาม) – ตัวเลขหรือช่องว่างเท่านั้น ไม่รวมข้อความ |
| known_x's | Range/Array | อาร์เรย์หรือช่วงของค่า x ที่ทราบ (ตัวแปรอิสระ) – ต้องมีจำนวนเซลล์เท่าเดียวกับ known_y’s |
Additional Notes
RSQ คือฟังก์ชันทางสถิติที่บอกว่าโมเดลถดถอยเชิงเส้นอธิบายข้อมูลได้ดีแค่ไหน
ที่เจ๋งคือ ค่า R-squared ใช้วัด “ความแม่นยำ” ของสมการแนวโน้ม ถ้า R² = 0.95 หมายถึง 95% ของการเปลี่ยนแปลง y สามารถอธิบายได้ด้วย x
ส่วนตัวผม ถ้าคุณสร้าง Trendline ในกราฟ RSQ ช่วยให้รู้ว่า “เส้นนี้ตรงกับข้อมูลจริงมั้ย?” ถ้า R² ต่ำ (เช่น 0.3) แสดงว่าเส้นไม่เหมาะสม ควรใช้สมการอื่น 😎
Examples
ตัวอย่างที่ 1: วัดความแม่นยำของสมการตั้งแต่เริ่มต้นสมมติ A2:A10 = ยอดขายจริง [1000, 1500, 2000, 2500, 3000, 3500, 4000, 4500, 5000] B2:B10 = ยอดขายที่คาดการณ์ [950, 1480, 2050, 2450, 3100, 3400, 4100, 4400, 5100…
R² = 0.9891 หมายถึง 98.91% ของความผันแปรในยอดขายจริงสามารถอธิบายได้ด้วยสมการคาดการณ์ นี่คือความพอดี (fit) ที่ยอดเยี่ยม
ตัวอย่างที่ 2: ตรวจสอบความสัมพันธ์เวลาเรียน vs คะแนนสอบสมมติ C2:C8 = เวลาเรียน (ชั่วโมง) [10, 15, 8, 20, 12, 18, 14] D2:D8 = คะแนนสอบ [65, 75, 60, 85, 70, 82, 78] =RSQ(D2:D8, C2:C8)
R² = 0.7632 หมายถึง 76.32% ของคะแนนสอบสามารถอธิบายได้ด้วยเวลาเรียน มีตัวแปรอื่นๆ ด้วย (IQ, คุณภาพการเรียน ฯลฯ)
ตัวอย่างที่ 3: เปรียบเทียบความสัมพันธ์สองกรณีกรณีที่ 1: =RSQ(E2:E20, F2:F20) → ผลลัพธ์ 0.82 กรณีที่ 2: =RSQ(G2:G20, H2:H20) → ผลลัพธ์ 0.45
เปรียบเทียบความแม่นยำ: กรณีที่ 1 (82%) ดีกว่ากรณีที่ 2 (45%) มาก ใช้วิธีหรือตัวแปรจากกรณีที่ 1
ตัวอย่างที่ 4: ค่า R² ที่ไม่ดี (ตัวแปร X ไม่อธิบายตัวแปร Y)สมมติ I2:I6 = คะแนนสอบวิชา A [88, 92, 85, 90, 87] J2:J6 = เลขประจำตัวประชาชน [1001, 1002, 1003, 1004, 1005] =RSQ(I2:I6, J2:J6)
R² = 0.0024 (0.24%) หมายถึง เลขประจำตัวไม่อธิบายคะแนนสอบเลย ใช้ตัวแปรที่สมเหตุสมผลแทน
FAQs
R² = 0.5 ดีไหม?+
ขึ้นอยู่กับบริบท:
– ข้อมูลธรรมชาติ (ธรรมณฑ์, อุตุนิยมวิทยา): 0.5 ถือว่าดี
– ข้อมูลการเงิน/การขายที่ควบคุมได้: 0.5 ต่ำ ต้อง 0.7 ขึ้นไป
– ข้อมูลวิทยาศาสตร์: 0.9+ ปกติ
RSQ vs CORREL ต่างยังไง?+
CORREL ให้ r (correlation coefficient) อยู่ระหว่าง -1 ถึง 1
RSQ ให้ r² (ค่าที่ยกกำลังสอง) อยู่ระหว่าง 0 ถึง 1
ถ้า CORREL = 0.8 → RSQ = 0.64
ถ้า CORREL = -0.8 → RSQ = 0.64 (ลบหาย เพราะยกกำลังสอง)
ทำไม RSQ ต่อ (ต่ำกว่าคาดหวัง)?+
เหตุผลที่พบบ่อย:
1. ตัวแปร X ไม่เกี่ยวข้อง → เปลี่ยนตัวแปร
2. มีค่า Outlier ที่ผิดปกติ → ตรวจสอบและลบ
3. ความสัมพันธ์ไม่เป็นเชิงเส้น → ใช้ Polynomial หรือ Exponential Regression
4. ข้อมูลมีสัญญาณรบกวนสูง → ต้องข้อมูลที่ดีกว่า
RSQ = 1 ได้ไหม?+
ได้! ถ้า x และ y สัมพันธ์กันอย่างสมบูรณ์แบบ (Perfect linear relationship)
ตัวอย่าง: x = [1, 2, 3, 4], y = [2, 4, 6, 8] → RSQ = 1.0
แต่ในโลกจริง หาได้ยากมาก
ข้อมูลมีค่าผิด (Outlier) ทำไง?+
RSQ ไม่ทนต่อ Outlier:
– หากไม่แน่ใจ ให้ใช้ CORREL หรือ PEARSON (ให้ผลคล้ายๆ กัน)
– ตัวอื่น: TRIMEAN, Robust Regression (Excel ไม่มี, ต้อง R หรือ Python)
Resources & Related
ฟังก์ชันที่ผู้เขียนโยงไว้กับ RSQ จัดกลุ่มตามหมวด · ชี้ที่ชื่อใดชื่อหนึ่ง แล้วฟังก์ชันที่ใช้คู่กันจะมีจุดทอง
CORREL หาค่าสัมประสิทธิ์สหสัมพันธ์ระหว่างข้อมูล 2 ชุด ผลลัพธ์เป็น -1 ถึง 1 บอกให้เห็นว่าข้อมูลทั้งสองไปทางเดียวกันหรือสวนทางกัน
ฟังก์ชันที่ใช้สมการถดถอยเชิงเส้น (Linear Regression) เพื่อพยากรณ์ค่าในอนาคต โดยยึดตามแนวโน้มข้อมูลในอดีต
พยากรณ์ค่าในอนาคตโดยใช้สมการถดถอยเชิงเส้น (Linear Regression) จากข้อมูลชุดเดิม
ฟังก์ชัน INTERCEPT ใน Excel ใช้สำหรับคำนวณจุดที่เส้นถดถอยเชิงเส้น (Linear Regression Line) ตัดกับแกน Y (ค่า Y เมื่อ X = 0).
LINEST คำนวณค่าสถิติสำหรับเส้นตรงที่เหมาะสมที่สุด ด้วยวิธีกำลังสองน้อยที่สุด (Linear Regression Analysis)
หาค่าสัมประสิทธิ์สหสัมพันธ์เพียร์สัน (Pearson correlation coefficient) ระหว่างสองชุดข้อมูล – เหมือน CORREL
คำนวณความชันของเส้นถดถอยเชิงเส้น ซึ่งบอกให้รู้ว่าค่า Y เปลี่ยนแปลงเร็วแค่ไหนเมื่อค่า X เพิ่มขึ้น ใช้สำหรับวิเคราะห์แนวโน้มข้อมูล
STEYX หาค่าความคลาดเคลื่อนมาตรฐาน (Standard Error of Estimate) ของค่า Y ที่พยากรณ์จาก X โดยใช้การถดถอยเชิงเส้น
TREND ใช้หา linear regression line (เส้นตรงที่ลดความเบี่ยงเบนของข้อมูล) เพื่อพยากรณ์ค่า Y ในอนาคตจากข้อมูลเดิม หรือสร้างค่า fitted line สำหรับกราฟแนวโน้ม
ยังไม่มีบทความที่เกี่ยวข้องกับฟังก์ชันนี้
Comments
อีเมลของคุณจะไม่ถูกเผยแพร่