Excel 逐步回归分析：自动选择最佳预测变量集
逐步回归分析是Excel中一种自动选择最佳预测变量集的方法，旨在构建可靠模型。通过数据整理、启动工具、设置参数和运行分析，用户可得到包括回归系数、t值、P值等关键指标的结果。此方法有助于优化决策，但需注意数据质量、多重共线性和过拟合问题。
Excel
Excel 多项式回归：处理非线性关系的数学模型
多项式回归是一种特殊线性回归，适用于捕捉复杂非线性关系。通过加入高次项，提高模型灵活性。在Excel中使用该工具需准备数据、绘制散点图、选择多项式级别拟合曲线。注意选择合适的多项式级别和进行数据预处理以避免过拟合。
Excel Q-Q 图绘制：评估数据是否符合正态分布
Q-Q图是一种评估数据是否符合正态分布的工具，通过比较样本数据点与理论正态分布的分位数来判断。在Excel中绘制Q-Q图需排序数据、计算分位数值、绘制散点图并添加趋势线。如果数据点近似地落在一条直线上，则数据基本符合正态分布；否则可能不符合。
Excel S-曲线拟合：描述增长过程的经典模型
在Excel中，S-曲线拟合用于描述增长过程，如市场渗透率或疾病传播。通过“图表”功能插入散点图并添加逻辑趋势线，可生成S-曲线方程。调整参数以适应数据，预测未来趋势。需先清洗数据，排除异常值。
Excel Logistic 回归分析：二分类问题的常用解法
在Excel中进行Log解析回归分析，解决二分类问题。本文介绍如何准备数据、构建模型、优化参数并解释结果。通过案例演示，探讨高级话题如多元共线性处理、外部工具应用及预测能力提升策略。
Excel Ridge 回归和 Lasso 回归：解决多重共线性问题的方法
岭回归通过在损失函数中加入L2正则化项，解决多重共线性问题。Lasso回归则是通过在损失函数中加入L1正则化项来实现的。它们不仅能够帮助我们处理多重共线性问题，还能提升模型的稳定性和解释性。
Excel 主成分分析（PCA）：降维和特征提取的强大技术
Excel中的主成分分析（PCA）是一种强大的降维和特征提取工具。它通过线性变换将原始数据转换为一组新的正交基，简化数据集，保留重要信息。虽然Excel非专业统计软件，但借助其功能和插件，可完成PCA过程，为数据分析提供支持。
Excel 因子分析：探索潜在结构背后的因素
Excel是数据分析的强有力工具，尤其在因子分析方面。因子分析通过简化数据变量揭示背后的结构和模式。在Excel中进行因子分析涉及数据准备、标准化、因子提取和旋转等步骤。结果有助于识别潜在的隐藏变量，但需注意预设因子数量可能影响准确性，且对样本质量要求高。
Excel 判别分析：分类预测的统计方法
在数据分析和统计学中，Excel的判别分析工具能处理大量数据并分类。本文介绍了如何利用Excel进行判别分析，包括准备数据、启用工具库、进行分析和结果解读。注意数据质量、变量选择和样本量等事项。
Excel 神经网络工具箱：实现机器学习算法的基础
In modern data analysis, machine learning, Excel with VBA can create neural networks. This involves defining neuron, layer, and network structures, initialization, forward propagation, data importing/processing, and training like gradient descent. A basic toolkit is established for tasks but can be expanded for more complex applications in teaching or practical use.