1.打开excel，选择如入自己的数据，小编简单的5组数据为例。

2.点击“插入”，找到“折线图”，选择第一项，折线图。

3.点击“选择数据”，点击添加。

4.系列名称是X轴，也就是这里的A列，系列值是Y轴，也就是这里的B列。

5.点击确定即可出现曲线图，右击曲线图，点击添加趋势线，在弹出的对话框中选择线性和显示公式，点击确定。

6.确定之后可以看到出现一条拟合曲线以及公式，则斜率为2.1714。

（本文内容由百度知道网友茗童贡献）

excel进行显著性检验的方法与步骤：
1.先找ADD-IN,添加数据分析工具data analysis tool。 Add-in的选项在File-> Option->Add Ins, 选择analysis tool pack。

2.会跳出来一个窗口，再选中analysis tookpack ,确定就好了。
3.把得到的两组数据输入EXCEL里。
4.在DATA里面，选择data analysis,跳出来新窗口，选中correlation（相关性）。然后按照提示，选中要分析的数据。

5.EXCEL会自动运行回归分析，给出分析报告。分析报告里mutiple R 接近1，就说明两个的相关性比较大。拟合关系要看R2，显著性看signifnance F。

（本文内容由百度知道网友茗童贡献）

最近几天，不断有小伙伴在后台问到使用excel做数据分析的相关问题，今天，数据君（ID：shendufenxi）就为大家推送一篇实用技巧。

高级的数据分析会涉及回归分析、方差分析和T检验等方法，不要看这些内容貌似跟日常工作毫无关系，其实往高处走，MBA的课程也是包含这些内容的，所以早学晚学都得学，干脆就提前了解吧，请查看以下内容。

在使用之前，首先得安装Excel的数据分析功能，默认情况下，Excel是没有安装这个扩展功能的，安装如下所示：

1）鼠标悬浮在Office按钮上，然后点击【Excel选项】：

2）找到【加载项】，在管理板块选择【Excel加载项】,然后点击【转到】：

3）选择【分析工具库】，点击【确定】：

4）安装完后，就可以【数据】板块看到【数据分析】功能，如下所示：

安装完后，首先来了解一下回归分析的内容。

回归分析

在详细进行回归分析之前，首先要理解什么叫回归？

实际上，回归这种现象最早由英国生物统计学家高尔顿在研究父母亲和子女的遗传特性时所发现的 一种有趣的现象：身高这种遗传特性表现出”高个子父母，其后代身高也高于平均身高；但不见得比其父母更高，到一定程度后会往平均身高方向发生’回归’”。

这种效应被称为”趋中回归”。现在的回归分析则多半指源于高尔顿工作的那样一整套建立变量间的数量关系模型的方法和程序。 这里的自变量是父母的身高，因变量是子女的身高。

百度百科对于回归分析的定义是: 回归分析（regression analysis)是确定两种或两种以上变数间相互依赖的定量关系的一种统计分析方法。运用十分广泛：

1）回归分析按照涉及的自变量的多少，可分为一元回归分析和多元回归分析；

2）按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。

这里举个电商的例子：电子商务的转换率是一定的，网站访问数一般正比对应于销售收入，现在要建立不同访问数情况下对应销售的标准曲线，用来预测搞活动时的销售收入，如下所示：

1、利用散点图描绘图形：

2. 添加趋势线，并且显示回归分析的公式和R平方值：

从图得知，R平方值=0.9995，趋势线趋同于一条直线，公式是：y=0.01028x-27.424

R 平方值是介于 0 和 1 之间的数字，当趋势线的 R 平方值为 1 或者接近 1 时，趋势线最可靠。因为R2 >0.99，所以这是一个线性特征非常明显的数值，说明拟合直线能够以大于99.99%地解释、涵盖了实际数据，具有很好的一般性, 能够起到很好的预测作用。

3. 使用Excel的数据分析功能

1）点击【数据分析】，在弹出的选择框中选择【回归】，然后点击【确定】：

2）【X值输入区域】选择访问数的单元格，【Y值输入区域】选择销售额的单元格，同时勾选如下所示的选项，包括残差、标准残差、残差图、线性拟合图和正态概率图。

3）以下内容是残差和标准残差：

4）以下是残差图：

残差图是有关于实际值与预测值之间差距的图表，如果残差图中的散点在中轴上下两侧分布，那么拟合直线就是合理的，说明预测有时多些，有时少些，总体来说是符合趋势的，但如果都在上侧或者下侧就不行了，这样有倾向性，需要重新处理。

5）以下是线性拟合图

在线性拟合图中可以看到，除了实际的数据点，还有经过拟和处理的预测数据点，这些参数在以上的表格中也有显示。

6）以下是正态概率图

正态概率图一般用于检查一组数据是否服从正态分布，是实际数值和正态分布数据之间的函数关系散点图，如果这组数值服从正态分布，正态概率图将是一条直线。回归分析不一定得符合正态分布，这里只是仅仅把它描绘出来而已。

以上数据表格和图表都说明公式y=0.01028x-27.424是一个值得信赖的预测曲线，假设搞活动时流量有50万访问数的话，那么预测销售将是51373，如下图所示：

上次给大家分享了《2017年最全的excel函数大全14—统计函数（4）》，这次分享给大家统计函数（5）。

LINEST 函数

描述

LINEST函数可通过使用最小二乘法计算与现有数据最佳拟合的直线，来计算某直线的统计值，然后返回描述此直线的数组。 也可以将LINEST与其他函数结合使用来计算未知参数中其他类型的线性模型的统计值，包括多项式、对数、指数和幂级数。 因为此函数返回数值数组，所以它必须以数组公式的形式输入。 请按照本文中的案例使用此函数。

直线的公式为：

y = mx + b

- 或 -

y = m1x1 + m2x2 + ... + b

如果有多个区域的 x 值，其中因变量 y 值是自变量 x 值的函数。 m 值是与每个 x 值相对应的系数，b 为常量。 注意，y、x 和 m 可以是向量。LINEST函数返回的数组为 {mn,mn-1,...,m1,b}。LINEST函数还可返回附加回归统计值。

用法

LINEST(known_y's, [known_x's], [const], [stats])

LINEST 函数用法具有下列参数：

用法

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_x's和known_y's具有相同的维数，则它们可以是任何形状的区域。 如果用到多个变量，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 或省略，b 将按正常计算。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 或省略，则函数LINEST只返回系数 m 和常量 b。

附加回归统计值如下：

下面的图示显示了附加回归统计值返回的顺序。

备注

可以使用斜率和 y 轴截距描述任何直线：

斜率 (m)：通常记为 m，如果需要计算斜率，则选取直线上的两点，(x1,y1) 和 (x2,y2)；斜率等于 (y2 - y1)/(x2 - x1)。

Y 轴截距 (b)：通常记为 b，直线的 y 轴的截距为直线通过 y 轴时与 y 轴交点的数值。

直线的公式为 y = mx + b。 如果知道了 m 和 b 的值，将 y 或 x 的值代入公式就可计算出直线上的任意一点。 还可以使用TREND函数。

当只有一个自变量 x 时，可直接利用下面公式得到斜率和 y 轴截距值：

斜率：=INDEX(LINEST(known_y's,known_x's),1)

Y 轴截距：=INDEX(LINEST(known_y's,known_x's),2)

数据的离散程度决定了LINEST函数计算的直线的精确度。 数据越接近线性，LINEST模型就越精确。LINEST函数使用最小二乘法来判定数据的最佳拟合。 当只有一个自变量 x 时，m 和 b 是根据下面的公式计算出的：

其中，x 和 y 是样本平均值；即，x =AVERAGE(known x's)且y = AVERAGE(known_y's)。

直线和曲线拟合函数LINEST和LOGEST可用来计算与给定数据拟合程度最高的直线或指数曲线， 但需要判断两者中哪一个与数据拟合程度最高。 可以用函数TREND(known_y's,known_x's)来计算直线，或用函数GROWTH(known_y's, known_x's)来计算指数曲线。 这些不带new_x's参数的函数可在实际数据点上根据直线或曲线来返回 y 预测值的数组， 然后可以将预测值与实际值进行比较。 可能需要用图表方式来直观地比较二者。回归分析时，Excel 会计算每一点的 y 的估计值和实际值的平方差。 这些平方差之和称为残差平方和 (ssresid)。 然后 Excel 会计算总平方和 (sstotal)。 当参数const= TRUE 或被省略时，总平方和是 y 的实际值和平均值的平方差之和。 当参数const= FALSE 时，总平方和是 y 的实际值的平方和（不需要从每个 y 值中减去平均值）。 回归平方和 (ssreg) 可通过公式 ssreg = sstotal - ssresid 计算出来。 残差平方和与总平方和的比值越小，判定系数 r2 的值就越大，r2 是用来判断从回归分析求得的公式是否足以描述变量之间关系的指示器。 r2 = ssreg/sstotal。在某些情况下，一个或多个 X 列可能没有出现在其他 X 列中的附加预测值（假设 Y's 和 X's 位于列中）。 换句话说，删除一个或多个 X 列可能会得到同样精度的 y 预测值。 在这种情况下，应从回归模型中省略这些多余的 X 列。 这种现象被称为“共线”，因为任何多余的 X 列都可被表示为多个非多余 X 列的和。LINEST函数会检查是否存在共线，并在识别出多余的 X 列之后从回归模型中删除所有这些列。 由于包含 0 系数以及 0 se 数值，因此已删除的 X 列能在LINEST输出中被识别出来。 如果一个或多个多余的列被删除，则将影响 df，原因是 df 取决于实际用于预测目的的 X 列的数量。 有关计算 df 的详细信息，请参阅案例 4。 如果由于删除多余的 X 列而更改了 df，则也会影响 sey 和 F 的值。 实际上，出现共线的情况应该相对很少。 但是，如果某些 X 列仅包含 0 和 1 数值作为实验中的对象是否属于特定组成员的指示器，则很可能引起共线。 如果const= TRUE 或被省略，则LINEST函数可有效地插入所有 1 数值的其他 X 列以便为截距建立模型。 如果在一列中，1 对应于每个男性对象，0 对应于女性对象；而在另一列中，1 对应于每个女性对象，0 对应于男性对象，那么后一列就是多余的，因为其中的项可通过从所有 1 值的另一列（通过LINEST函数添加）中减去“男性指示器”列中的项来获得。在没有 X 列因共线而被从模型中删除时，请用以下方法计算 df 的值：如果known_x’s有k列且const= TRUE 或被省略，那么 df = n – k – 1。 如果const= FALSE，那么 df = n - k。 在这两种情况下，每次由于共线而删除一个 X 列都会使 df 的值加 1。对于返回结果为数组的公式，必须以数组公式的形式输入。

注意:在 Excel Online 中，不能创建数组公式。

当输入一个数组常量（如known_x's）作为参数时，请使用逗号分隔同一行中的各值，使用分号分隔各行。 分隔符可能会因区域设置的不同而有所不同。注意，如果 y 的回归分析预测值超出了用来计算公式的 y 值的范围，它们可能是无效的。LINEST函数中使用的下层算法与SLOPE和INTERCEPT函数中使用的下层算法不同。 当数据未定且共线时，这些算法之间的差异会导致不同的结果。 例如，如果参数known_y's的数据点为 0，参数known_x's的数据点为 1：LINEST会返回值 0。LINEST函数的算法用来返回共线数据的合理结果，在这种情况下至少可找到一个答案。SLOPE和INTERCEPT返回 错误 #p/0!。SLOPE和INTERCEPT函数的算法只用来查找一个答案，在这种情况下可能有多个答案。除了使用LOGEST计算其他回归分析类型的统计值外，还可以使用LINEST计算其他回归分析类型的范围，方法是将 x 和 y 变量的函数作为LINEST的 x 和 y 系列输入。 例如，下面的公式：

=LINEST(yvalues, xvalues^COLUMN($A:$C))

将在您使用 y 值的单个列和 x 值的单个列计算下面的方程式的近似立方（多项式次数 3）值时运行：

y = m1*x + m2*x^2 + m3*x^3 + b

可以调整此公式以计算其他类型的回归，但是在某些情况下，需要调整输出值和其他统计值。

LINEST 函数返回的 F 检验值与FTEST 函数返回的 F 检验值不同。 LINEST 返回 F 统计值，而 FTEST 返回概率。

案例

案例 1 - 斜率和 Y 轴截距

案例 2 - 简单线性回归

案例 3 - 多重线性回归

案例 4 - 使用 F 和 r2 统计值

在上例中，判定系数 r2 为 0.99675（函数LINEST的输出单元格 A17 中的值），表明自变量与销售价格之间存在很强的相关性。 可以通过 F 统计值来确定具有如此高的 r2 值的结果偶然发生的可能性。

假设事实上在变量间不存在相关性，但选用 11 个办公楼作为小样本进行统计分析却导致很强的相关性。 术语“Alpha”表示得出这样的相关性结论错误的概率。

LINEST函数输出中的 F 和 df 值可被用于评估偶然出现较高 F 值的可能性。 F 可与发布的 F 分布表中的值进行比较，或者 Excel 中的FDIST函数可被用于计算偶然出现较高 F 值的概率。 适当的 F 分布具有 v1 和 v2 自由度。 如果 n 是数据点的个数且 const = TRUE 或被省略，那么 v1 = n – df – 1 且 v2 = df。 （如果 const = FALSE，那么 v1 = n – df 且 v2 = df。）用法为FDIST(F,v1,v2) 的FDIST函数将返回偶然出现较高 F 值的概率。 在本例中，df = 6（单元格 B18）且 F = 459.753674（单元格 A18）。

假设 Alpha 值为 0.05，v1 = 11 – 6 – 1 = 4 且 v2 = 6，那么 F 的临界值为 4.53。 由于 F = 459.753674 远大于 4.53，所以偶然出现高 F 值的可能性非常低。 （因为，在 Alpha = 0.05 的情况下，当 F 超过临界值 4.53 时，known_y’s和known_x’s之间没有关系这一假设不成立。）使用 Excel 中的FDIST函数可获得偶然出现高 F 值的概率。 例如，FDIST(459.753674, 4, 6) = 1.37E-7，是一个极小的概率。 于是可以断定，无论通过在表中查找 F 的临界值，还是使用FDIST函数，回归公式都可用于预测该区域中的办公楼的评估价值。 请注意，使用在上一段中计算出的 v1 和 v2 的正确值是非常关键的。

案例 5 - 计算 t 统计值

另一个假设测试可以判定每个斜率系数是否可以用来估算案例 3中的办公楼的评估价值。 例如，要测试年龄系数的统计显著性水平，以 13.268（单元格 A15 中年龄系数的估计标准误差）除 -234.24（年龄斜率系数）。 下面是 t 观察值：

t = m4 ÷ se4 = -234.24 ÷ 13.268 = -17.7

如果 t 的绝对值足够大，那么可以断定斜率系数可用来估算案例 3中的办公楼的评估价值。 下表显示了 4 个 t 观察值的绝对值。

如果查阅统计手册里的表，将会发现：双尾、自由度为 6、Alpha = 0.05 的 t 临界值为 2.447。 该临界值还可使用 Excel 中的TINV函数计算。TINV(0.05,6) = 2.447。 既然 t 的绝对值为 17.7，大于 2.447，则办公楼的使用年数对于估算办公楼的评估价值来说是一个重要变量。 用同样方法，可以测试其他每个自变量的统计显著性水平。 以下是每个自变量的 t 观察值。

这些值的绝对值都大于 2.447；因此，回归公式的所有变量都可用来估算此区域内的办公楼的评估价值。

LOGEST 函数

描述

在回归分析中，计算最符合数据的指数回归拟合曲线，并返回描述该曲线的数值数组。 因为此函数返回数值数组，所以它必须以数组公式的形式输入。

曲线的公式为：

y = b*m^x

或者

y = (b*(m1^x1)*(m2^x2)*_)

如果有多个 x 值，其中因变量 y 值是自变量 x 值的函数。 m 值是各指数 x 的底，而 b 值是常量值。 注意，y、x 和 m 可以是向量。 LOGEST 函数返回的数组为 {mn,mn-1,...,m1,b}。

用法

LOGEST(known_y's, [known_x's], [const], [stats])

LOGEST 函数用法具有以下参数：

Known_y's必需。 关系表达式 y = b*m^x 中已知的 y 值集合。如果数组 known_y's 在单独一列中，则 known_x's 的每一列被视为一个独立的变量。如果数组 known_y's 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=b*m^x 中已知的 x 值集合，为可选参数。数组 known_x's 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_x's 和 known_y'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 必须是向量（即具有一列高度或一行宽度的单元格区域）。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 1。如果 const 为 TRUE 或省略，b 将按正常计算。如果 const 为 FALSE，则常量 b 将设为 1，而 m 的值满足公式 y=m＾x。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，函数 LOGEST 将返回附加的回归统计值，因此返回的数组为 {mn,mn-1,...,m1,b;sen,sen-1,...,se1,seb;r 2,sey; F,df;ssreg,ssresid}。如果 stats 为 FALSE 或省略，则函数 LOGEST 只返回系数 m 和常量 b。

有关附加的回归统计值的详细信息，请参阅LINEST 函数。

备注

由数据绘出的图越近似于指数曲线，则计算出来的曲线就越符合原来给定的数据。 正如 LINEST 函数一样，LOGEST 函数返回一组描述数值间相互关系的数值数组，但 LINEST 函数是用直线来拟合数据，而 LOGEST 函数则以指数曲线来拟合数据。 有关详细信息，请参阅 LINEST 函数。当仅有一个自变量 x 时，可直接用下面的公式计算出 y 轴截距 (b) 的值：

Y 轴截距 (b)：INDEX(LOGEST(known_y's,known_x's),2)

可用 y=b*m＾x 公式来预测 y 的值，但是 Microsoft Excel 另外提供了可以预测因变量 y 值的 GROWTH 函数。 有关详细信息，请参阅GROWTH 函数。

对于返回结果为数组的公式，必须以数组公式的形式输入。

注意:在 Excel Online 中，不能创建数组公式。

当输入一个数组常量（如 known_x's）作为参数时，请使用逗号分隔同一行中的各值，使用分号分隔各行。 分隔符可能会因区域设置的不同而有所不同。应注意的一点是：如果由回归公式所预测的 y 值超出用来计算回归公式的 y 的取值区间，则该值可能无效。

案例

案例 1

案例 2...

回归分析法，即二元一次线性回归分析预测法

先以一个小故事开始本文的介绍。十三多年前，笔者就职于深圳F集团时，曾就做年度库存预测报告，与笔者新入职一台籍高管Edwin分别按不同的方法模拟预测下一个年度公司总存货库存。令我吃惊的是，本人以完整的数据推算做依据，做出的报告结果居然与仅入职数周，数据不齐全的Edwin制定的报告结果吻合度达到99%以上。仍清楚记得，笔者曾用得是标准的周转天数计算公式反推法，而Edwin用的正是本文重点介绍的二元一次线性回归分析法。

二元一次线性回归分析法是一种数据分析模型。

在EXCEL函数公式是FORECAST（英文意思是：预测），其用途是根据一条线性回归拟合线返回一个预测值，此函数使用可对未来销售额、库存需求或未来数据趋势进行预测分析。

要做好库存预测须具备几个条件，首先须具备过去较长的某个时间段的完整整的数据。这里说的时间段最好是上一年度一整年或最近两年的数据。

完整的数库据指的是需要有年度对应每个月的实际库存与营收额或销货成本。

同样我们把库存预测肢解成几个关键步骤。

第一步：数据准备，依要求对EXCEL公式数据输入

先看一组实际的数据，其中蓝色字体是已知具备的数据，黄色则是需要预测的库存数据。预测库存，则至少需要具备的数据是标注蓝色三行数据。为别是：上一年度月营收，上一年度月实际库存，本年度月营收目标。可参照始下截图与视频。

第二步：依KPI目标调整预测数据

假设要求实际目标要求对总体存货周转率提升10%，则总体平均存货库存也减少10%，具体数据如下截图标注粉色行。

第三步：把总库存分解成不同物料形态的库存。这里讲的不同类别可以指的是：

物料形态分类：原材料、半成品、在制品以及成品等。

仓码分类：原材料仓、包装仓、成品仓、重要物资仓、五金仓、配件仓以及辅助物料仓等。

这里我们以第一种物料类型实例说明。须依据上年度不同物料类别占总库存的比率，再计算对应类别库存总额，如下截图。

第四：验证二无一次线性回归分析方法的准确度。

存货周转天数=(（期初库存+期末库存）/2*30）/(营收*物料成本率）=(平均库存*30）/销售成本。

依公式反推预测库存，平均库存=（目标周转天数*营收*物料成本率）/30，前提需要更多的数据信息，包括物料成本率与以往的周转天数做为计划依据。

如下截图，两种不同的方法得出库存预测吻度为97%（或103%）。

企业管理中，要快速地对企业活动做出判断，需要完整的数据管理积累支撑

二元一次回归分析法做库存预测速度快，效率更高。而标准的周转天数计算预法会更准确与准确。到底应当选择哪个方法？不同的时期，不同的方法如何选择则是仁者见仁，没有对或错，只有合适与否。但有肯定的一点，那就是类似二元一次回归分析法管理工具的熟练应用，则一定对会对企业管理起到更好的帮助，在做数据调研时也是个好的选择。

一阶导数图其实就是拟合曲线，操作方法如下：

Excel提供了“添加趋势线”功能用以拟合曲线，但是曲线类型仅限于指数、对数、幂函数、多项式等。下面以Excel 2010为例进行实例演示——拟合如下的示例数据：

1、首先作出x，y数据的散点图

2、选中数据点→右击鼠标，在弹出菜单选择“添加趋势线”

3、在新的弹出对话框中，根据数据点的分布趋势，尝试将曲线类型设为多项式，阶次为2，勾选显示公式的复选框。另外也可以设置趋势线的颜色、线型等

4、最终效果如下

（本文内容由百度知道网友茗童贡献）

Excel 提供了几种常见的拟合函数类型（如指数、对数、多项式函数等），以下方法有助于选择合适的拟合函数：

根据散点图的走势判断函数类型切换不同的拟合类型，从图形上直观观察拟合效果显示拟合结果的R平方值，此值越接近于1，说明拟合结果越好

下面以Excel 2010为例进行演示：

1、插入散点图

2、选中数据系列→右键菜单→添加趋势线

3、在弹出的“设置趋势线格式”对话框中，分别选择类型为：指数、幂函数、多项式，并且勾选“显示公式”和显示R平方值

4、对比结果如下，从图中可知，三次多项式拟合结果的R平方值为1，因此效果最好。

4.1 指数函数拟合结果

4.2 幂函数拟合结果

4.3 二次多项式拟合结果

4.4 三次多项式拟合结果

（本文内容由百度知道网友learneroner贡献）

1.把实验数据输入excel中，两个变量的最好做成两个竖排。选中所有数据，注意不要把文字也选上了。

2.在菜单栏中点“插入”，然后选择“散点图”下面的下拉菜单。

3.平滑曲线：

从菜单中选择自己需要的类型，一般选择既有数据点，又有平滑曲线的散点图。就能得到平滑曲线。

4.多项式拟合（线性，指数，幂，对数也类似）：

选取数据；

插入，散点图；

选择只有数据点的类型；

就能得到第二张图所示的数据点。

5.点击一个点，会选中所有数据点，然后点右键，在弹出的菜单中选择“添加趋势线”。

6.在这里可以选择需要你和的曲线类型，如线性，指数，幂，对数，多项式。。选择多项式。

再把下面的“显示公式”，“显示R平方”的复选框里打√，就能得到需要的曲线，公式，和相对误差。

7.图形格式设置：

生成图形后还有一些问题，比如没有坐标轴名称，没有刻度等。

打开菜单中的设计，点图标布局中的下拉菜单。

8.会看到有很多布局类型的图标，选择自己需要的。比如，图中选的布局是常见的有标题，坐标轴名称的。

9.坐标轴还需要设置：用鼠标点击坐标轴附近的区域，右键，选择“设置坐标轴格式”。

10.在这里可以进行详细地设置。具体操作根据自己需要进行。

（本文内容由百度知道网友茗童贡献）

昨天发布了自己对于普通高校考研劣势的分析后，收到了意见不一的评价，现在还在回味诸位朋友的意见。因此，今天就不谈态度只谈技能。

数据处理中的线性拟合通常应用于物质标准曲线的绘制，比如测试物质浓度借用表征仪器如，紫外，分子荧光等测试已知浓度的吸光度等，绘制其与浓度之间的标准曲线，再由仪器测试未知浓度的该物质参数，由标准曲线计算该物质浓度。额，扯远了！接下来就进入正题。

首先打开Excel软件，输入一组数据（是测试表征所得数据，我这里是随机找的一组）：

然后选中数据。

点击“插入”选项，选择散点图中的随机点，得到如图所示的散点图。

选择散点图中其中一个点，点击右键选择“添加趋势线”在软件右侧进行趋势线设置，选中：“线性”，“R值”“显示公式”选项得到拟合曲线。

然后设置标题，结束操作。

Excel提供了“添加趋势线”功能用以拟合曲线，但是曲线类型仅限于指数、对数、幂函数、多项式等。下面以Excel 2010为例进行实例演示——拟合如下的示例数据：

1、首先作出x，y数据的散点图

2、选中数据点→右击鼠标，在弹出菜单选择“添加趋势线”

3、在新的弹出对话框中，根据数据点的分布趋势，尝试将曲线类型设为多项式，阶次为2，勾选显示公式的复选框。另外也可以设置趋势线的颜色、线型等

4、最终效果如下

（本文内容由百度知道网友learneroner贡献）