Tableau数据分析-Chapter14线性回归、时间序列分析

曾经终败给现在 2022-10-08 05:52 261阅读 0赞

> 本专栏将使用Tableau来进行数据分析，Tableau数据分析-Chapter14线性回归、时间序列，记录所得所学，作者：北山啦。Tableau基础入门最后一章啦

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_26_color_FFFFFF_t_70]

### 文章目录 ###

*  本节要求
 *  回归分析
 *  1. 简单的线性回归模型
 *  2. 其他的回归分析模型
 *   *  2.1 对数模型
     *  2.2 指数模型
     *  2.2 幂模型
     *  2.3 多项式模型
 *  3. 时间序列分析
 *   *  3.1 创建人工服务接听量预测曲线
     *  3.2 预测模型评价

# 本节要求 #

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70]

# 回归分析 #

回归分析是一种预测性的建模技术，它研究的是因变和自变量之间的关系

数据展示

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 1]

# 1. 简单的线性回归模型 #

线性回归使用最佳的拟合直线（也就是回归线）在因变量（Y）和一个或多个自变量（X）之间建立一种关系。

1.  人工服务接听量->列，呼入案头总时长->列  
    并取消聚合度量  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 2]
2.  添加趋势线  
    有几种方法，介绍常用的两种  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 3]  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 4]

这样就添加了线性的回归模型  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 5]回归方程如上，R值越大越好，越大越拟合越有关联性，P值越小越好，P值决定了可信程度

1.  趋势线描述  
    右键趋势线->描述趋势线  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 6]

# 2. 其他的回归分析模型 #

对于其他的回归分析模型，我们只需  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 7]  
编辑趋势线即可  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 8]  
我们可以通过观察R值和P值来判断模型的好坏

## 2.1 对数模型 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 9]

## 2.2 指数模型 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 10]  
根据上图我们看到从140到后面增长曲线明显增加，这时有人可能会认为拟合度不好，但是其实其拟合度要比上一种更好。

`这是因为:因为后面的那部分量非常的少，对整个的拟合结果影响非常的小。`

模型比较

## 2.2 幂模型 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 11]

## 2.3 多项式模型 ##

对于一个回归方程，如果自变量的指数大于1，那么它就是多项式回归方程。如下方程所示：y=a+b\*x^2  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 12]

# 3. 时间序列分析 #

> 时间序列（或称动态数列）是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。时间序列分析的主要目的是根据已有的历史数据对未来进行预测。

> 时间序列预测是Tableau内嵌的周期性的预测功能，它能够自动的拟合预测模型，分析数据的变化规律，定量的预测数据，同时也可以对预测模型的参数进行调整，评价预测模型的精度。

## 3.1 创建人工服务接听量预测曲线 ##

具体步骤

1.  拖入数据  
    人工服务接听量->行，日期->列（下拉选择天）  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 13]  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 14]
2.  显示初步预测  
    右键图中空白处->预测->显示预测  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 15]
3.  预测设置  
    对预测曲线进行编辑：右键->预测->预测选项  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 16]
4.  预测选项  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 17]  
    但是如果真的选择用零填充缺少值是，结果会出现很大的不同，因此更推荐补全原数据。  
    ![在这里插入图片描述][20210622150637707.png]  
    对于具体的模型设置，需要大家对时间序列分析有所了解了

*  [Pandas完成时间序列分析基础][Pandas]
 *  [Python时间序列分析–ARIMA模型实战案例][Python_ARIMA]
 *  [SPSS建立时间序列加法季节模型实战案例][SPSS]
 *  [SPSS建立时间序列疏系数模型][SPSS 1]
 *  [SPSS建立时间序列乘法季节模型实战案例][SPSS 2]

其中，季节等同周期，如果波动很大，建议选择累乘更好拟合

## 3.2 预测模型评价 ##

1.  查看描述预测  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 18]  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 19]  
    累加模型：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 20]

> 构建统计模型的软件有很多，可以参考一下：

1.  [Pandas完成时间序列分析基础][Pandas]
2.  [Python时间序列分析–ARIMA模型实战案例][Python_ARIMA]
3.  [SPSS建立时间序列加法季节模型实战案例][SPSS]
4.  [SPSS建立时间序列疏系数模型][SPSS 1]
5.  [SPSS建立时间序列乘法季节模型实战案例][SPSS 2]

--------------------

> 到这里就结束了，如果对你有帮助你，欢迎点赞关注，你的点赞对我很重要

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 21]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_26_color_FFFFFF_t_70]: /images/20221005/1aba89412d7a42fd89810af7cbe784b4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70]: /images/20221005/155cb041059346fe88c50a7089dacb69.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 1]: /images/20221005/184ffe805e854d0aa24109659616fd1a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 2]: /images/20221005/42cca146e2354601a81b178568135569.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 3]: /images/20221005/182d633a511d46d18ed73a56ed376a92.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 4]: /images/20221005/ca702e6ce2ce47acb46cc6c96e0c2141.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 5]: /images/20221005/4233b672e8624a559e059e27aa279175.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 6]: /images/20221005/7b3e9c5991ae4096b348112c68910ce0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 7]: /images/20221005/996a255fed7a4d94b679de44e81d3feb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 8]: /images/20221005/70c451a0e2514a729db0485ce2adccfd.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 9]: /images/20221005/0b6e9dd2dfbe4a2da8342d3a1f569668.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 10]: /images/20221005/377c050034264a3292b2736136b3dd16.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 11]: /images/20221005/425dc22ba91243c0b99e2f2272f3d331.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 12]: /images/20221005/841447c0fad14e1ea70edc9102c6fae7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 13]: /images/20221005/51b1748116b84cf5980ac6f3d8097c3e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 14]: /images/20221005/14057739b9ee4e47911ae61483eea916.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 15]: /images/20221005/ef40781693734afa80bcc263d7b6cb51.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 16]: /images/20221005/da94e46cc5f74b8b819d3f363da90841.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 17]: /images/20221005/26c27be993e442d3915fc1768b752f9c.png
[20210622150637707.png]: /images/20221005/c5db9834f06a4fb29423b1e1074ba7cb.png
[Pandas]: https://beishan.blog.csdn.net/article/details/109588361
[Python_ARIMA]: https://beishan.blog.csdn.net/article/details/111504846
[SPSS]: https://beishan.blog.csdn.net/article/details/112006848
[SPSS 1]: https://beishan.blog.csdn.net/article/details/112006738
[SPSS 2]: https://beishan.blog.csdn.net/article/details/111416495
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 18]: /images/20221005/7e450ba39bca44c4b80ef81c10ca38a3.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 19]: /images/20221005/3c6739673afe45f78813745e3a0d292d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 20]: /images/20221005/ccb8b429ff234892b1cbbea83ff2560d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 21]: /images/20221005/30f14aaab41541fc9799bba27faea414.png