DocumentatieAnalyticsHandleiding voor componenten

Geavanceerde functies

Last update: Thu Jan 16 2025 00:00:00 GMT+0000 (Coordinated Universal Time)

Gemaakt voor:

  • Gebruiker

De Berekende metrieke bouwerlaat u statistische en wiskundige functies toepassen. Dit artikel documenteert alfabetische lijst van de geavanceerde functies en hun definities.

Heb toegang tot deze functies door Show all te selecteren onder Effect Functions lijst in het paneel van Componenten. Schuif omlaag om de lijst met Advanced functions weer te geven.

Tabelfuncties versus rijfuncties

Een tabelfunctie is een functie waarbij de uitvoer voor elke rij van de tabel hetzelfde is. Een rijfunctie is een functie waarbij de uitvoer voor elke rij van de tabel anders is.

Waar toepasselijk en relevant, is een functie geannoteerd met het type van functie: [​ Lijst ​]{class="badge neutral"}[​ Rij ​]{class="badge neutral"}

Wat betekent de parameter include-zeros?

Het vertelt of nullen in de berekening moeten worden opgenomen. Soms betekent nul niets, maar soms is het belangrijk.

Bijvoorbeeld, als u metrisch van de Opbrengst hebt, en dan metrische vertoningen van de Pagina aan het rapport toevoegt, zijn er plotseling meer rijen voor uw opbrengst, die allen nul zijn. U wilt waarschijnlijk niet dat extra metrisch om het even welke MEAN, MINIMUM VAN DE RIJ, KWALITEIT, en meer berekeningen te beïnvloeden die u in de opbrengstkolom hebt. In dit geval controleert u de parameter include-zeros .

Een alternatief scenario is dat u twee metriek van rente hebt en één een hoger gemiddelde of een minimum heeft omdat sommige rijen nul zijn. In dat geval kunt u ervoor kiezen om de parameter niet te controleren en nullen op te nemen.

en and

Effect AND(logical_test)

Conjunctie. Niet gelijk aan nul wordt beschouwd als waar en gelijk aan nul wordt beschouwd als onwaar. De uitvoer is 0 (false) of 1 (true).

Argument
Beschrijving
logical_test
Vereist minstens één parameter, maar kan om het even welk aantal parameters nemen. Elke waarde of expressie die kan worden geëvalueerd op TRUE of FALSE

Telling bij benadering onderscheiden approximate_count_distinct

Effect APPROXIMATE COUNT DISTINCT(dimension)

Retourneert de geschatte, verschillende telling van dimensie-items voor de geselecteerde dimensie.

Argument
Beschrijving
dimensie
De afmeting waarvoor u de benaderende verschillende punttelling wilt berekenen

Voorbeeld

Een veel voorkomend geval voor deze functie is wanneer u een benaderend aantal klanten wilt krijgen.

Arc Cosine arc-cosine

Effect ARC COSINE(metric)

[​ Rij ​]{class="badge neutral"}

Argument
Beschrijving
metrisch
De cosinus van de hoek die u wilt instellen van -1 tot 1

Boog sinus arc-sine

Effect ARC SINE(metric)

[​ Rij ​]{class="badge neutral"}

Argument
Beschrijving
metrisch
De sinus van de hoek die u wilt instellen van -1 tot 1

Booghoek arc-tangent

Effect ARC TANGENT(metric)

[​ Rij ​]{class="badge neutral"}

Argument
Beschrijving
metrisch
De tangens van de hoek u van -1 tot 1 wilt

Cdf-T cdf-t

Effect CDF-T(metric, number)

Keert de waarschijnlijkheid terug dat een willekeurige variabele met student-t distributie met n graden van vrijheid een z-score minder dan kolom heeft.

Argument
Beschrijving
metrisch
Metrisch waarvoor u de Cumulatieve Functie van de Distributie van de student t-distribution zou willen
getal
De vrijheidsgraden voor de cumulatieve distributiefunctie van de t-distribution van de student

Voorbeeld

CDF-T(-∞, n) = 0
CDF-T(∞, n) = 1
CDF-T(3, 5) ? 0.99865
CDF-T(-2, 7) ? 0.0227501
CDF-T(x, ∞) ? cdf_z(x)

Cdf-Z cdf-z

Effect CDF-Z(metric, number)

Retourneert de waarschijnlijkheid dat een willekeurige variabele met een normale distributie een z-score heeft minder dan col.

Argument
Beschrijving
metrisch
De metrische waarde waarvoor u de cumulatieve distributiefunctie van de Standaard Normale Distributie zou willen

Voorbeelden

CDF-Z(-∞) = 0
CDF-Z(∞) = 1
CDF-Z(0) = 0.5
CDF-Z(2) ? 0.97725
CDF-Z(-3) ? 0.0013499

Plafond ceiling

Effect CEILING(metric)

[​ Rij ​]{class="badge neutral"}

Argument
Beschrijving
metrisch
De metrische waarde die u wilt afronden

Vertrouwen confidence

Effect CONFIDENCE(normalizing-container, success-metric, control, significance-treshold)

Bereken het om het even welk-tijd-geldige vertrouwen gebruikend de methode WASKR zoals die in wordt beschreven tijd-eenvormige centrale beperkingstheorie en asymptotische vertrouwensopeenvolgingen.

Vertrouwen is een waarschijnlijkheidsmeting van hoeveel bewijs er is dat een bepaalde variant dezelfde is als de besturingsvariant. Een hoger vertrouwen geeft minder bewijs voor de aanname dat de besturingsvariant en de niet-besturingsvariant dezelfde prestaties leveren.

Argument
Beschrijving
normalizing-container
De basis (Mensen, Zittingen, of Gebeurtenissen) waarop een test in werking wordt gesteld.
succesmetrisch
De metrische of metrische waarde waarmee een gebruiker varianten vergelijkt.
besturen
De variant waarmee alle andere varianten in het experiment worden vergeleken. Voer de naam in van het element Dimensie besturingsvariant.
significantiedrempel
De drempel in deze functie is ingesteld op een standaardwaarde van 95%.

Vertrouwen (onder) confidence-lower

Effect CONFIDENCE(normalizing-container, success-metric, control, significance-treshold)

Bereken het om het even welke tijd-geldige vertrouwen lager gebruikend de methode WASKR zoals die in wordt beschreven tijd-eenvormige centrale beperkingstheorie en asymptotische vertrouwensopeenvolgingen.

Vertrouwen is een waarschijnlijkheidsmeting van hoeveel bewijs er is dat een bepaalde variant dezelfde is als de besturingsvariant. Een hoger vertrouwen geeft minder bewijs voor de aanname dat de besturingsvariant en de niet-besturingsvariant dezelfde prestaties leveren.

Argument
Beschrijving
normalizing-container
De basis (Mensen, Zittingen, of Gebeurtenissen) waarop een test in werking wordt gesteld.
succesmetrisch
De metrische of metrische waarde waarmee een gebruiker varianten vergelijkt.
besturen
De variant waarmee alle andere varianten in het experiment worden vergeleken. Voer de naam in van het element Dimensie besturingsvariant.
significantiedrempel
De drempel in deze functie is ingesteld op een standaardwaarde van 95%.

Vertrouwen (boven) confidence-upper

Effect CONFIDENCE(normalizing-container, success-metric, control, significance-treshold)

Bereken het om het even welk-tijd-geldige vertrouwen hoger gebruikend de methode WASKR zoals die in wordt beschreven tijd-eenvormige centrale beperkingstheorie en asymptotische vertrouwensopeenvolgingen.

Vertrouwen is een waarschijnlijkheidsmeting van hoeveel bewijs er is dat een bepaalde variant dezelfde is als de besturingsvariant. Een hoger vertrouwen geeft minder bewijs voor de aanname dat de besturingsvariant en de niet-besturingsvariant dezelfde prestaties leveren.

Argument
Beschrijving
normalizing-container
De basis (Mensen, Zittingen, of Gebeurtenissen) waarop een test in werking wordt gesteld.
succesmetrisch
De metrische of metrische waarde waarmee een gebruiker varianten vergelijkt.
besturen
De variant waarmee alle andere varianten in het experiment worden vergeleken. Voer de naam in van het element Dimensie besturingsvariant.
significantiedrempel
De drempel in deze functie is ingesteld op een standaardwaarde van 95%.

Cosine cosine

Effect COSINE(metric)

[​ Rij ​]{class="badge neutral"}

Argument
Beschrijving
metrisch
De hoek in radialen waarvoor u de cosinus wilt gebruiken

Kubus Root cube-root

Effect CUBE ROOT(metric)

Retourneert de positieve kubuswortel van een getal. De kubuswortel van een aantal is de waarde van dat aantal dat tot de macht van 1/3 wordt opgeheven.

Argument
Beschrijving
metrisch
Metrisch waarvoor u de kubuswortel wilt berekenen

Cumulatief cumulative

Effect CUMULATIVE(number, metric)

Retourneert de som van de laatste n-elementen van kolom x. Indien n > 0, som de laatste n elementen of x. Indien n < 0, som de voorafgaande elementen.

Argument
Beschrijving
getal
The last N number of rows to return the sum for. Als N <= 0 is, gebruikt u alle vorige rijen.
metrisch
Metrisch waarvoor u de Cumulatieve Som zou willen.

Voorbeelden

Datum
Ontvangsten
CUMULATIEF(0, inkomsten)
CUMULATIEF(2, inkomsten)
mei
$ 500
$ 500
$ 500
juni
$ 200
$ 700
$ 700
juli
$ 400
$ 1.100
$ 600

Cumulatief (gemiddeld) cumulative-average

Effect CUMULATIVE AVERAGE(number, metric)

Retourneert het gemiddelde van de laatste n elementen van kolom x. Indien n > 0, som de laatste n elementen of x. Indien n < 0, som de voorafgaande elementen.

Argument
Beschrijving
getal
Het laatste N aantal rijen om het gemiddelde voor terug te keren. Als N <= 0 is, gebruikt u alle vorige rijen.
metrisch
Metrisch waarvoor u het Cumulatieve Gemiddelde zou willen.
NOTE
Deze functie werkt niet met tariefmaatstaven zoals opbrengst per persoon. De functie gebruikt het gemiddelde van de tarieven in plaats van de inkomsten over de laatste N op te tellen en personen over de laatste N op te tellen en hen vervolgens te verdelen.
in plaats daarvan, gebruik CUMULATIVE(revenue) verdeel CUMULATIVE(person).

Gelijk equal

Effect EQUAL()

Gelijk. De uitvoer is 0 (false) of 1 (true).

Argument
Beschrijving
metrisch_X
metrisch_Y

Voorbeeld

Metric 1 = Metric 2

Exponentiële regressie: Correlatiecoëfficiënt exponential-regression-correlation-coefficient

Effect EXPONENTIAL REGRESSION: CORRELATION COEFFICIENT(metric_X, metric_Y, include_zeros)

[​ Lijst ​]{class="badge neutral"}

Argument
Beschrijving
metrisch_X
Metrisch die u met metrisch_Y zou willen correleren
metrisch_Y
Metrisch die u met metrisch_X zou willen correleren
include_zeros
Of nul-waarden in de berekeningen moeten worden opgenomen

Exponentiële regressie: voorspeld Y exponential-regression-predicted-y

Effect EXPONENTIAL REGRESSION: PREDICTED Y(metric_X, metric_Y, include_zeros)

[​ Rij ​]{class="badge neutral"}

Argument
Beschrijving
metrisch_X
Metrisch die u als onafhankelijke gegevens zou willen aanwijzen.
metrisch_Y
Metrisch die u als afhankelijke gegevens zou willen aanwijzen.
include_zeros
Of nul-waarden in de berekeningen moeten worden opgenomen

Exponentiële regressie: Intercept exponential-regression-intercept

Effect EXPONENTIAL REGRESSION: INTERCEPT(metric_X, metric_Y, include_zeros)

[​ Lijst ​]{class="badge neutral"}

Argument
Beschrijving
metrisch_X
Metrisch die u als afhankelijke gegevens zou willen aanwijzen
metrisch_Y
Metrisch die u als onafhankelijke gegevens zou willen aanwijzen
include_zeros
Of nul-waarden in de berekeningen moeten worden opgenomen

Exponentiële regressie: helling exponential-regression-slope

Effect EXPONENTIAL REGRESSION: SLOPE(metric_X, metric_Y, include_zeros)

[​ Lijst ​]{class="badge neutral"}

Argument
Beschrijving
metrisch_X
Metrisch die u als afhankelijke gegevens zou willen aanwijzen
metrisch_Y
Metrisch die u als onafhankelijke gegevens zou willen aanwijzen
include_zeros
Of nul-waarden in de berekeningen moeten worden opgenomen

Floor floor

Effect FLOOR(metric_X, metric_Y, include_zeros)

[​ Rij ​]{class="badge neutral"}

Argument
Beschrijving
metrisch
De metrische waarde die u wilt afronden.

Groter dan greather-than

Effect GREATER THAN()

De uitvoer is 0 (false) of 1 (true).

Argument
Beschrijving
metrisch_X
metrisch_Y

Voorbeeld

Metric 1 > Metric 2

Groter dan of gelijk aan greater-than-or-equal

Effect GREATER THAN OR EQUAL()

Groter dan of gelijk aan. De uitvoer is 0 (false) of 1 (true).

Argument
Beschrijving
metrisch_X
metrisch_Y

Voorbeeld

Metric 1 >= Metric 2

Hyperbolische cosinus hyperbolic-cosine

Effect HYPERBOLIC COSINE(metric)

[​ Rij ​]{class="badge neutral"}

Argument
Beschrijving
metrisch
De hoek in radialen waarvoor u de hyperbolische cosinus wilt vinden

Hyperbolische sinus hyperbolic-sine

Effect HYPERBOLIC SINE(metric)

[​ Rij ​]{class="badge neutral"}

Argument
Beschrijving
metrisch
De hoek in radialen waarvoor u de hyperbolische sinus wilt vinden

Hyperbolische hoek hyperbolic-tangent

Effect HYPERBOLIC TANGENT(metric)

[​ Rij ​]{class="badge neutral"}

Argument
Beschrijving
metrisch
De hoek in radialen waarvoor u de hyperbolische tangens wilt vinden

Indien if

Effect IF(logical_test, value_if_true, value_if_false)

[​ Rij ​]{class="badge neutral"}

Argument
Beschrijving
logical_test
Vereist. Elke waarde of expressie die kan worden geëvalueerd op TRUE of FALSE
value_if_true
De waarde die u wilt zijn teruggekeerd als het logical_test argument aan WAAR evalueert. (Dit argument wordt standaard ingesteld op 0 als het niet wordt opgenomen.)
value_if_false
De waarde die u wilt worden geretourneerd als het argument logical_test naar FALSE evalueert. (Dit argument wordt standaard ingesteld op 0 als het niet wordt opgenomen.)

Minder dan less-than

Effect LESS THAN()

De uitvoer is 0 (false) of 1 (true).

Argument
Beschrijving
metrisch_X
metrisch_Y

Voorbeeld

Metric 1 < Metric 2

Kleiner dan of gelijk aan less-than-or-equal

Effect LESS THAN OR EQUAL()

Kleiner dan of gelijk aan. De uitvoer is 0 (false) of 1 (true).

Argument
Beschrijving
metrisch_X
metrisch_Y

Voorbeeld

Metric 1 <= Metric 2

Lift (#lift)

Argument
Beschrijving
normalizing-container
De basis (Mensen, Zittingen, of Gebeurtenissen) waarop een test in werking wordt gesteld.
succesmetrisch
De metrische of metrische waarde waarmee een gebruiker varianten vergelijkt.
besturen
De variant waarmee alle andere varianten in het experiment worden vergeleken. Voer de naam in van het element Dimensie besturingsvariant.

Lineaire regressie: Correlatiecoëfficiënt linear-regression-correlation-coefficient

Effect LINEAR REGRESSION: CORRELATION COEFFICIENT(metric_X, metric_Y, include_zeros)

[​ Lijst ​]{class="badge neutral"}

Argument
Beschrijving
metrisch_X
Metrisch die u met metrisch_Y zou willen correleren
metrisch_Y
Metrisch die u met metrisch_X zou willen correleren
include_zeros
Of nul-waarden in de berekeningen moeten worden opgenomen

Lineaire regressie: Intercept linear-regression-intercept

Effect LINEAR REGRESSION: INTERCEPT(metric_X, metric_Y, include_zeros)

[​ Lijst ​]{class="badge neutral"}

Argument
Beschrijving
metrisch_X
Metrisch die u als afhankelijke gegevens zou willen aanwijzen
metrisch_Y
Metrisch die u als onafhankelijke gegevens zou willen aanwijzen
include_zeros
Of nul-waarden in de berekeningen moeten worden opgenomen

Lineaire regressie: voorspeld Y linear-regression-predicted-y

Effect LINEAR REGRESSION: PREDICTED Y(metric_X, metric_Y, include_zeros)

[​ Rij ​]{class="badge neutral"}

Argument
Beschrijving
metrisch_X
Metrisch die u als afhankelijke gegevens zou willen aanwijzen
metrisch_Y
Metrisch die u als onafhankelijke gegevens zou willen aanwijzen
include_zeros
Of nul-waarden in de berekeningen moeten worden opgenomen

Lineaire regressie: helling linear-regression-slope

Effect LINEAR REGRESSION: SLOPE(metric_X, metric_Y, include_zeros)

[​ Lijst ​]{class="badge neutral"}

Argument
Beschrijving
metrisch_X
Metrisch die u als afhankelijke gegevens zou willen aanwijzen
metrisch_Y
Metrisch die u als onafhankelijke gegevens zou willen aanwijzen
include_zeros
Of nul-waarden in de berekeningen moeten worden opgenomen

Logbestand basis 10 log-base-ten

Effect LOG BASE 10(metric)

[​ Rij ​]{class="badge neutral"}

Argument
Beschrijving
metrisch
Het positieve reële getal waarvoor u de natuurlijke logaritme met grondtal 10 wilt gebruiken

Logboekregressie: Correlatiecoëfficiënt log-regression-correlation-coefficient

Effect LOG REGRESSION: CORRELATION COEFFICIENT(metric_X, metric_Y, include_zeros)

[​ Lijst ​]{class="badge neutral"}

Argument
Beschrijving
metrisch_X
Metrisch die u met metrisch_Y zou willen correleren
metrisch_Y
Metrisch die u met metrisch_X zou willen correleren
include_zeros
Of nul-waarden in de berekeningen moeten worden opgenomen

Logboekregressie: Onderscheppen log-regression-intercept

Effect LOG REGRESSION: INTERCEPT(metric_X, metric_Y, include_zeros)

[​ Lijst ​]{class="badge neutral"}

Argument
Beschrijving
metrisch_X
Metrisch die u als afhankelijke gegevens zou willen aanwijzen
metrisch_Y
Metrisch die u als onafhankelijke gegevens zou willen aanwijzen
include_zeros
Of nul-waarden in de berekeningen moeten worden opgenomen

Logregressie: voorspeld Y log-regression-predicted-y

Effect LOG REGRESSION: PREDICTED Y(metric_X, metric_Y, include_zeros)

[​ Rij ​]{class="badge neutral"}

Argument
Beschrijving
metrisch_X
Metrisch die u als afhankelijke gegevens zou willen aanwijzen
metrisch_Y
Metrisch die u als onafhankelijke gegevens zou willen aanwijzen
include_zeros
Of nul-waarden in de berekeningen moeten worden opgenomen

Logregressie: helling log-regression-slope

Effect LOG REGRESSION: SLOPE(metric_X, metric_Y, include_zeros)

[​ Lijst ​]{class="badge neutral"}

Argument
Beschrijving
metrisch_X
Metrisch die u als afhankelijke gegevens zou willen aanwijzen
metrisch_Y
Metrisch die u als onafhankelijke gegevens zou willen aanwijzen
include_zeros
Of nul-waarden in de berekeningen moeten worden opgenomen

Natuurlijk logboek natural-log

Effect NATURAL LOG(metric)

Retourneert de natuurlijke logaritme van een getal. Natuurlijk logaritme is gebaseerd op de constante e (2.71828182845904). LN is het omgekeerde van de functie EXP.

Argument
Beschrijving
metrisch
Het positieve reële getal waarvoor u de natuurlijke logaritme wilt

Niet not

Effect NOT(logical)

Negatie als een booleaanse waarde. De uitvoer is 0 (false) of 1 (true).

Argument
Beschrijving
logisch
Vereist. Een waarde of expressie die kan worden geëvalueerd op TRUE of FALSE

Niet gelijk not-equal

Effect NOT EQUAL()

Niet gelijk. De uitvoer is 0 (false) of 1 (true).

Argument
Beschrijving
metrisch_X
metrisch_Y

Voorbeeld

Metric 1 != Metric 2

of or

Effect OR(logical_test)

[​ Rij ​]{class="badge neutral"}

Argument
Beschrijving
logical_test
Vereist minstens één parameter maar kan om het even welk aantal parameters nemen. Elke waarde of expressie die kan worden geëvalueerd op TRUE of FALSE
NOTE
0 (nul) betekent Onwaar en elke andere waarde is Waar.

Pi pi

Effect PI()

Retourneert Pi: 3,14159…

Regressie van het vermogen: Correlatiecoëfficiënt power-regression-correlation-coefficient

Effect POWER REGRESSION: CORRELATION COEFFICIENT(metric_X, metric_Y, include_zeros)

[​ Lijst ​]{class="badge neutral"}

Argument
Beschrijving
metrisch_X
Metrisch die u met metrisch_Y zou willen correleren
metrisch_Y
Metrisch die u met metrisch_X zou willen correleren
include_zeros
Of nul-waarden in de berekeningen moeten worden opgenomen

Regressie voeding: onderscheppen power-regression-intercept

Effect POWER REGRESSION: INTERCEPT(metric_X, metric_Y, include_zeros)

[​ Lijst ​]{class="badge neutral"}

Argument
Beschrijving
metrisch_X
Metrisch die u als afhankelijke gegevens zou willen aanwijzen
metrisch_Y
Metrisch die u als onafhankelijke gegevens zou willen aanwijzen
include_zeros
Of nul-waarden in de berekeningen moeten worden opgenomen

Stroomregressie: voorspeld Y power-regression-predicted-y

Effect POWER REGRESSION: PREDICTED Y(metric_X, metric_Y, include_zeros)

[​ Rij ​]{class="badge neutral"}

Argument
Beschrijving
metrisch_X
Metrisch die u als afhankelijke gegevens zou willen aanwijzen
metrisch_Y
Metrisch die u als onafhankelijke gegevens zou willen aanwijzen
include_zeros
Of nul-waarden in de berekeningen moeten worden opgenomen

Stroomregressie: helling power-regression-slope

Effect POWER REGRESSION: SLOPE(metric_X, metric_Y, include_zeros)

[​ Lijst ​]{class="badge neutral"}

Argument
Beschrijving
metrisch_X
Metrisch die u als afhankelijke gegevens zou willen aanwijzen
metrisch_Y
Metrisch die u als onafhankelijke gegevens zou willen aanwijzen
include_zeros
Of nul-waarden in de berekeningen moeten worden opgenomen

kwadratische regressie: correlatiecoëfficiënt quadratic-regression-correlation-coefficient

Effect QUADRATIC REGRESSION: CORRELATION COEFFICIENT(metric_X, metric_Y, include_zeros)

[​ Lijst ​]{class="badge neutral"}

Argument
Beschrijving
metrisch_X
Metrisch die u met metrisch_Y zou willen correleren
metrisch_Y
Metrisch die u met metrisch_X zou willen correleren
include_zeros
Of nul-waarden in de berekeningen moeten worden opgenomen

kwadratische regressie: onderscheppen quadratic-regression-intercept

Effect QUADRATIC REGRESSION: INTERCEPT(metric_X, metric_Y, include_zeros)

[​ Lijst ​]{class="badge neutral"}

Argument
Beschrijving
metrisch_X
Metrisch die u als afhankelijke gegevens zou willen aanwijzen
metrisch_Y
Metrisch die u als onafhankelijke gegevens zou willen aanwijzen
include_zeros
Of nul-waarden in de berekeningen moeten worden opgenomen

kwadratische regressie: voorspeld Y quadratic-regression-predicted-y

Effect QUADRATIC REGRESSION: PREDICTED Y(metric_X, metric_Y, include_zeros)

[​ Rij ​]{class="badge neutral"}

Argument
Beschrijving
metrisch_X
Metrisch die u als afhankelijke gegevens zou willen aanwijzen
metrisch_Y
Metrisch die u als onafhankelijke gegevens zou willen aanwijzen
include_zeros
Of nul-waarden in de berekeningen moeten worden opgenomen

kwadratische regressie: helling quadratic-regression-slope

Effect QUADRATIC REGRESSION: SLOPE(metric_X, metric_Y, include_zeros)

[​ Lijst ​]{class="badge neutral"}

Argument
Beschrijving
metrisch_X
Metrisch die u als afhankelijke gegevens zou willen aanwijzen
metrisch_Y
Metrisch die u als onafhankelijke gegevens zou willen aanwijzen
include_zeros
Of nul-waarden in de berekeningen moeten worden opgenomen

Wederkerige regressie: Correlatiecoëfficiënt reciprocal-regression-correlation-coefficient

Effect RECIPROCAL REGRESSION: CORRELATION COEFFICIENT(metric_X, metric_Y, include_zeros)

[​ Lijst ​]{class="badge neutral"}

Argument
Beschrijving
metrisch_X
Metrisch die u met metrisch_Y zou willen correleren
metrisch_Y
Metrisch die u met metrisch_X zou willen correleren
include_zeros
Of nul-waarden in de berekeningen moeten worden opgenomen

Wederkerige regressie: onderscheppen reciprocal-regression-intercept

Effect RECIPROCAL REGRESSION: INTERCEPT(metric_X, metric_Y, include_zeros)

[​ Lijst ​]{class="badge neutral"}

Argument
Beschrijving
metrisch_X
Metrisch die u als afhankelijke gegevens zou willen aanwijzen
metrisch_Y
Metrisch die u als onafhankelijke gegevens zou willen aanwijzen
include_zeros
Of nul-waarden in de berekeningen moeten worden opgenomen

Wederkerige regressie: voorspeld Y reciprocal-regression-predicted-y

Effect RECIPROCAL REGRESSION: PREDICTED Y(metric_X, metric_Y, include_zeros)

[​ Rij ​]{class="badge neutral"}

Argument
Beschrijving
metrisch_X
Metrisch die u als afhankelijke gegevens zou willen aanwijzen
metrisch_Y
Metrisch die u als onafhankelijke gegevens zou willen aanwijzen
include_zeros
Of nul-waarden in de berekeningen moeten worden opgenomen

Wederkerige regressie: helling reciprocal-regression-slope

Effect RECIPROCAL REGRESSION: SLOPE(metric_X, metric_Y, include_zeros)

[​ Lijst ​]{class="badge neutral"}

Argument
Beschrijving
metrisch_X
Metrisch die u als afhankelijke gegevens zou willen aanwijzen
metrisch_Y
Metrisch die u als onafhankelijke gegevens zou willen aanwijzen
include_zeros
Of nul-waarden in de berekeningen moeten worden opgenomen

Sinus sine

Effect SINE(metric)

[​ Rij ​]{class="badge neutral"}

Argument
Beschrijving
metrisch
De hoek in radialen waarvoor u de sinus wilt gebruiken

T-score t-score

Effect T-SCORE(metric, include_zeros)

De afwijking van MEAN, die door de standaardafwijking wordt verdeeld. Alias voor z-Score.

Argument
Beschrijving
metrisch
Metrisch waarvoor u de Score van T zou willen
include_zeros
Of nul-waarden in de berekeningen moeten worden opgenomen

T-test t-test

Effect T-TEST(metric, degrees, tails)

Voert een t-test met mtailed t-score van x en n graden van vrijheid uit.

Argument
Beschrijving
metrisch
Metrisch waarop u een Test van T zou willen uitvoeren
graden
Vrijheidsgraden
staarten
De lengte van de staart die moet worden gebruikt voor de T-test

Details

De handtekening is T-TEST (metrisch, graden, staarten). Onder, roept het eenvoudig m CrossSize75 CDF-T(-ABSOLUTE VALUE(tails), degrees). Deze functie is gelijkaardig aan z-TEST functie, die m CrossSize75 CDF-Z(-ABSOLUTE VALUE(tails)) in werking stelt.

  • m is het aantal staarten.
  • n is de graden van vrijheid, en zou een constant aantal voor het volledige rapport moeten zijn, namelijk niet veranderend op een rij door rijbasis.
  • x is de t-test statistiek, en zou vaak een formule (bijvoorbeeld, z-SCORE) zijn die op metrisch wordt gebaseerd en op elke rij wordt geëvalueerd.

De geretourneerde waarde is de waarschijnlijkheid dat de teststatistiek x gezien de vrijheidsgraad en het aantal staarten wordt weergegeven.

Voorbeelden

  1. Met de functie kunt u zoeken naar contouren:

    code language-none 
    T-TEST(Z-SCORE(bouncerate), ROW COUNT - 1, 2)

  2. Combineer de functie met ALS om zeer hoge of lage stuiterende tarieven te negeren, en zittingen op alles anders te tellen:

    code language-none 
    IF(T-TEST(Z-SCORE(bouncerate), ROW COUNT - 1, 2) < 0.01, 0, sessions )

Raaklijn tangent

Effect TANGENT(metric)

Retourneert de tangens van de opgegeven hoek. Als de hoek in graden is, vermenigvuldig de hoek met PI()/180.

Argument
Beschrijving
metrisch
De hoek in radialen waarvoor u de tangens wilt

Z-score z-score

Effect Z-SCORE(metric, include_zeros)

[​ Rij ​]{class="badge neutral"}

Argument
Beschrijving
metrisch
De metrisch waarvoor u de Score van Z zou willen
include_zeros
Of nul-waarden in de berekeningen moeten worden opgenomen

Een Z-score van 0 (nul) impliceert dat de score gelijk is aan het gemiddelde. Een Z-score kan positief of negatief zijn en geeft aan of deze boven of onder het gemiddelde ligt en hoeveel standaardafwijkingen er zijn.

De vergelijking voor Z-score is:

Waar x de onbewerkte score is, is μ het gemiddelde van de populatie en is σ de standaardafwijking van de populatie.

NOTE
μ (mu) en σ (sigma) worden automatisch berekend op basis van de metrische waarde.

Z-test z-test

Effect Z-TEST(metric_tails)

Voert een n-tailed z-test met een z-score van x uit.

Argument
Beschrijving
metrisch
Metrisch waarop u een Test van Z zou willen uitvoeren
staarten
De lengte van de staart die moet worden gebruikt voor de Z-test
NOTE
gaat ervan uit dat de waarden normaal worden verdeeld.
recommendation-more-help
46b8682c-fda6-4669-9355-1a44923e549e