1、方法如下：　　选择成对的数据列，将使用“X、Y散点图”制成散点图。

2、在数据点上单击右键，选择“添加趋势线”-“线性”，并在选项标签中要求给出公式和相关系数等，可以得到拟合的直线。

3、由图中可知，拟合的直线是y=15620x+6606.1，R2的值为0.9994。

(资料图片仅供参考)

4、因为R2>0.99，所以这是一个线性特征非常明显的实验模型，即说明拟合直线能够以大于99.99%地解释、涵盖了实测数据，具有很好的一般性，可以作为标准工作曲线用于其他未知浓度溶液的测量。

5、　　为了进一步使用更多的指标来描述这一个模型，我们使用数据分析中的“回归”工具来详细分析这组数据。

6、　在选项卡中显然详细多了，注意选择X、Y对应的数据列。

7、“常数为零”就是指明该模型是严格的正比例模型，本例确实是这样，因为在浓度为零时相应峰面积肯定为零。

8、先前得出的回归方程虽然拟合程度相当高，但是在x=0时，仍然有对应的数值，这显然是一个可笑的结论。

9、所以选择“常数为零”。

10、　　“回归”工具为我们提供了三张图，分别是残差图、线性拟合图和正态概率图。

11、重点来看残差图和线性拟合图。

12、　在线性拟合图中可以看到，不但有根据要求生成的数据点，而且还有经过拟和处理的预测数据点，拟合直线的参数会在数据表格中详细显示。

13、本实例旨在提供更多信息以起到抛砖引玉的作用，由于涉及到过多的专业术语，请各位读者根据实际，在具体使用中另行参考各项参数，此不再对更多细节作进一步解释。

14、残差图是有关于世纪之与预测值之间差距的图表，如果残差图中的散点在中州上下两侧零乱分布，那么拟合直线就是合理的，否则就需要重新处理。

15、　更多的信息在生成的表格中，详细的参数项目完全可以满足回归分析的各项要求。

16、下图提供的是拟合直线的得回归分析中方差、标准差等各项信息。

本文就为大家分享到这里，希望小伙伴们会喜欢。