LINEST

使用最小平方方法 calculate 最适合给定数据的直线，然后返回一个描述线条的表。线条的公式为：y = Slope1*x1 + Slope2*x2 + ... + Intercept。

语法

LINEST ( <columnY>, <columnX>[, …][, <const>] )

术语	定义
`columnY`	已知 y-values列。必须具有标量类型。
`columnX`	已知 x-values的列。必须具有标量类型。必须至少提供一个。
`const`	（可选）常量 `TRUE`/`FALSE`value 指定是否强制常量截距等于 0。 If`TRUE`or 省略，将正常计算截距value;If`FALSE`，Interceptvalue 设置为零。

描述行的单行表，以及其他统计信息。以下是可用的列：

Slope1，Slope2，...，SlopeN：对应于每个 x-value的系数;
截距：截距 value;
StandardErrorSlope1，StandardErrorSlope2，...，StandardErrorSlopeN：Slope1系数的标准 errorvalues，Slope2，...，SlopeN;
StandardErrorIntercept：常量截距的标准 errorvalue;
CoefficientOfDetermination：确定系数（rー）。比较估计 and 实际 y-values，andvaluevalue 范围从 0 到 1：value越高，sample相关性越高;
StandardError：y 估计的标准 error;
FStatistic：F 统计信息，or F 观测 value。使用 F 统计信息来确定因数 and 独立变量之间的观察关系是否偶然发生;
DegreesOfFreedom：自由 degrees。使用此 value 可帮助你在统计表中 find F 关键 values，and 确定模型的置信度;
RegressionSumOfSquares：平方的回归 sum;
ResidualSumOfSquares：平方的残差 sum。

columnY and columnX必须 all 属于同一个表。

以下 DAX 查询：

EVALUATE LINEST(
	'FactInternetSales'[SalesAmount],
	'FactInternetSales'[TotalProductCost]
)

返回包含十列的单行表：

Slope1	拦截	StandardErrorSlope1	StandardErrorIntercept	CoefficientOfDetermination
1.67703250456677	6.34550460373026	0.000448675725548806	0.279131821917317	0.995695557281456

StandardError	FStatistic	DegreesOfFreedom	RegressionSumOfSquares	ResidualSumOfSquares
60.9171030357485	13970688.6139993	60396	51843736761.658	224123120.339218

Slope1and截距：计算线性模型的系数;
StandardErrorSlope1andStandardErrorIntercept：上述系数的标准 errorvalues;
CoefficientOfDetermination、StandardError、FStatistic、DegreesOfFreedom、RegressionSumOfSquaresandResidualSumOfSquares：回归模型统计信息。

对于给定的 Internet 销售，此模型按以下公式预测销售金额：

SalesAmount = Slope1 * TotalProductCost + Intercept

以下 DAX 查询：

EVALUATE LINEST(
	'DimCustomer'[TotalSalesAmount],
	'DimCustomer'[YearlyIncome],
	'DimCustomer'[TotalChildren],
	'DimCustomer'[BirthDate]
)

返回包含十四列的单行表：

对于给定客户，此模型按以下公式预测总销售额（出生 date 自动转换为数字）：

TotalSalesAmount = Slope1 * YearlyIncome + Slope2 * TotalChildren + Slope3 * BirthDate + Intercept