คำนวณความชันของเส้นถดถอยเชิงเส้น ซึ่งบอกให้รู้ว่าค่า Y เปลี่ยนแปลงเร็วแค่ไหนเมื่อค่า X เพิ่มขึ้น ใช้สำหรับวิเคราะห์แนวโน้มข้อมูล
=SLOPE(known_y's, known_x's)
=SLOPE(known_y's, known_x's)
| Argument | Type | Required | Default | Description |
|---|---|---|---|---|
| known_y's | Range/Array | Yes | ช่วงหรืออาร์เรย์ของค่า Y (ตัวแปรตาม) ต้องมีข้อมูลอย่างน้อย 2 ค่า | |
| known_x's | Range/Array | Yes | ช่วงหรืออาร์เรย์ของค่า X (ตัวแปรอิสระ) จะต้องมีจำนวนเท่ากับ known_y’s |
SLOPE(B2:B6, A2:A6)=SLOPE(B2:B6, A2:A6)
20
SLOPE(RevenueData, MonthData)=SLOPE(RevenueData, MonthData)
15000
SLOPE(AssetValue, AgeYears)=SLOPE(AssetValue, AgeYears)
-5000
SLOPE(B2:B10, A2:A10) และ =INTERCEPT(B2:B10, A2:A10)=SLOPE(B2:B10, A2:A10) และ =INTERCEPT(B2:B10, A2:A10)
Slope=3, Intercept=5, สมการ: y = 3x + 5
อย่างน้อย 2 คู่ของค่า X, Y (2 จุดบนกราฟ) แต่ข้อมูลยิ่งเยอะยิ่งแม่นยำ
ฟังก์ชันจะส่งข้อผิดพลาด #N/A เพราะทั้งสองต้องมีจำนวนเท่ากัน
– ค่าบวก = Y เพิ่มขึ้นเมื่อ X เพิ่ม (แนวโน้มขึ้น)
– ค่าลบ = Y ลดลงเมื่อ X เพิ่ม (แนวโน้มลง)
– ค่า 0 = ไม่มีความสัมพันธ์เชิงเส้น
SLOPE ออกแต่ค่า m (ความชัน), LINEST ออกข้อมูลละเอียด (slope, intercept, R-squared ฯลฯ)
ฟังก์ชัน SLOPE คำนวณความชัน (m) ของเส้นถดถอยเชิงเส้น (linear regression line) ที่สอดคล้องกับชุดข้อมูลของคุณ
ลองนึกภาพแกน X กับแกน Y บนกราฟ ถ้าคุณมีจุดข้อมูลหลายจุด SLOPE จะหาเส้นตรงที่เหมาะสมที่สุดแล้วบอกความชันของเส้นนั้น ค่าที่ได้คือตัวเลขที่บอกว่า Y เพิ่มขึ้นเท่าไหร่เมื่อ X เพิ่มขึ้น 1 หน่วย
ที่เจ๋งคือ SLOPE ใช้วิธี “Least Squares” ซึ่งหาเส้นตรงที่ลดความคลาดเคลื่อนให้น้อยที่สุด ไม่ใช่เพียงลากเส้นโดยประมาณสองสามจุด
ส่วนตัวผม ถ้าต้องวิเคราะห์แนวโน้ด SLOPE เป็นตัวช่วยที่ดีเพราะบอกให้รู้ว่าแนวโน้มแบบไหน (เพิ่ม ลด หรือแบน) ได้เลย 😎