בפרק הזה
הפתיחה
כשנכתב הספר המקורי, כדי לאמוד רגרסיה נסעת לאוניברסיטה, חיברת למחשב מרכזי, ופתחת SPSS. בעולם של 2026: ממשק-LINEST של Excel לא השתנה מאז שנות ה-90, אבל עכשיו יש גם Python חינמי, R חינמי, ו-Google Sheets חינמי — ואפשר לאמוד רגרסיה מהסלון מבלי להתקין כלום.
נלמד את כל הכלים — ונתחיל עם Excel, כי LINEST היא עדיין הדרך הנוחה ביותר לבודדת-למתחילים.
ארבעה מהלכים בסיסיים
מהלך 1: הכן את הנתונים
בעמודה (B) — המשתנה התלוי (Y) (שכר, יבול, משקל).
בעמודה (C) — המשתנה המסביר (X) (שנות-לימוד, מים, אורך).
מהלך 2: בחר טווח-פלט
סמן טווח של 2 שורות × 2 עמודות (לרגרסיה פשוטה). פלט-LINEST מוחזר כ-array.
מהלך 3: הכנס את הנוסחה
סמן את הטווח, הקלד:
=LINEST(B2:B21,C2:C21,1,1)
ולחץ Ctrl+Shift+Enter (כניסת-array).
מהלך 4: קרא את הפלט
| עמודה 1 | עמודה 2 | |
|---|---|---|
| שורה 1 | (hatbeta) | (hatalpha) |
| שורה 2 | (sigma_{hatbeta}) (שגיאת-תקן) | (sigma_{hatalpha}) |
בנתונים מפרק 2 (10 עובדים): (hatalpha approx 5.7), (hatbeta approx 3) (ערכים לדוגמה).
Python (statsmodels) — אמידה בשלושה שורות
Python היא שפת-הפייתון הנפוצה ביותר בעולם הנתונים. חינמי לחלוטין. מתקינים פעם אחת — ועובדים לצמיתות. כדי לאמוד את רגרסיית השכלה↔שכר מפרק 2:
import pandas as pd
import statsmodels.api as sm
data = {
'education': [12, 12, 13, 14, 14, 16, 16, 17, 18, 18],
'salary': [6500, 7000, 7200, 8000, 8500, 10000, 10500, 12000, 14000, 15000]
}
df = pd.DataFrame(data)
X = sm.add_constant(df['education']) # מוסיף עמודת-קבוע לאומדן α
results = sm.OLS(df['salary'], X).fit()
print(results.summary())
מה שמודפס מהמסוף כולל: (hatalpha), (hatbeta), שגיאות-תקן, t-stat, p-value, R². בפרק 5 נקרא את הפלט שורה-שורה.
R — אמידה בשתי שורות
R היא שפת-הסטטיסטיקה הסטנדרטית באקדמיה. חינמית, ופתרון lm() מובנה:
education <- c(12, 12, 13, 14, 14, 16, 16, 17, 18, 18)
salary <- c(6500, 7000, 7200, 8000, 8500, 10000, 10500, 12000, 14000, 15000)
model <- lm(salary ~ education)
summary(model)
lm = linear model. הפלט: זהה בעיקרו לפלט-Python — (hatalpha), (hatbeta), (R^2), t-stat.
Google Sheets — ללא התקנה בכלל
מי שלא רוצה להתקין כלום: Google Sheets מכיל LINEST זהה לאקסל. פתחו גיליון, הכניסו נתונים, הקלידו:
=LINEST(B2:B11,C2:C11,1,1)
הפלט — זהה.
איזה כלי לבחור?
Excel/Google Sheets — לניתוח-חד-פעמי מהיר, לדיווח, לגיליון-ממצאים. מומלץ למתחילים לצילום-מסך גרפי.
Python — לניתוח נתונים גדולים, לחזרה על ניתוחים, לאוטומציה, לעבודה עם קבצי CSV גדולים.
R — לניתוח סטטיסטי-אקדמי, לפרסום מחקרים, ל-CI מפורטים. האקדמיה הכלכלית עברה ל-R בשנות ה-2000.
SPSS/SAS/Stata — עדיין קיימים, עדיין מלמדים אותם בחלק מהאוניברסיטאות. בשוק-העבודה של 2026 — Python ו-R גוברים.
מה זה אומר עבורכם. עד לפני שנים ספורות, "אמידת רגרסיה" דרשה תוכנה אקדמית יקרה ומחשב מסוים. היום — Google Sheets, Python בדפדפן (Google Colab), או R חינמי. הגדר הטכנולוגי שהפריד בין "חוקר" ל"כולם" נפל. אם פרק 2 הסביר מה OLS, פרק זה הוכיח שאפשר לעשות אותו.
סיכום
LINEST(Y:Y, X:X, 1, 1) — Excel/Sheets. sm.OLS(Y, sm.add_constant(X)).fit() — Python. lm(Y ~ X) — R. שלוש שיטות, תוצאה אחת: (hatalpha) ו-(hatbeta). בפרק הבא: מה התכונות של האומדים האלה — ומתי אפשר לסמוך עליהם.
פרק זה הוא חינוך פיננסי-כלכלי — הסבר של מנגנונים, לא ייעוץ. הנתונים המוצגים הם להמחשה בלבד.