下载掌阅APP，畅读海量书库
立即打开
回归分析是利用数据统计原理，对大量统计数据进行数学处理，并确定变量与某些变量的相关关系，建立一个相关性的回归方程（函数表达式），并加以外推，用于预测今后因变量变化的方法。
根据因变量和自变量的函数表达式回归分析可分为：线性回归分析、非线性回归分析。
根据因变量和自变量的个数，回归分析可分为：一元回归分析、多元回归分析、逻辑回归分析和其他回归分析等。
线性回归分析是回归分析中最基本的方法，遇到非线性回归分析时，可以借助数学手段将其化为线性回归，一旦线性回归问题得到解决，非线性回归问题也就迎刃而解了。如取对数使乘法变成加法等，有一些非线性回归也可直接进行，如多项式回归等。有一些模型无论采取什么方式变换都不能实现线性化，对这些模型一般采用高斯—牛顿迭代法进行参数估计，即借助泰勒级数展开式进行逐次的线性近似估计。
对于社会经济现象，很难确定因变量和自变量之间的关系，因为它们大多是随机的，只有通过大量的观察统计，才能找出其中的规律，随机分析是利用统计学原理描述随机变量关系的一种方法。
回归分析可简单理解为信息分析与预测，信息即统计数据，分析即对信息进行数据处理，预测就是加以外推，也就是适当扩大已有自变量取值范围，并承认该回归方程在该扩大的定义域内成立，然后就可以在该定义域上取值进行“未来预测”。当然，对回归方程可以进行有效地控制。
因此，回归分析主要解决下面两方面的问题。
（1）确定变量之间是否存在相关关系，若存在，则找出数学表达式。
（2）根据一个或几个变量的值，预测或控制另一个或几个变量的值，且要估计这种控制或预测可达到何种精确度。
（1）根据自变量与因变量的现有数据及关系，初步设定回归方程。
（2）求出合理的回归系数。
（3）进行相关性检验，确定相关系数。
（4）在符合相关性要求后，即可根据已经得到的回归方程与具体条件，来确定事物的未来状况，并计算预测值的置信区间。
回归分析的有效性：用回归分析进行预测，首先要对各个自变量做出预测。若各个自变量可以人工控制或易于预测，而且回归方程也较符合实际，则应用回归预测是有效的，否则就很难应用。
回归分析中常用到的几个概念如下。
（1）实际值：实际观测到的研究对象的特征数据值。
（2）理论值：根据实际值可以得到一条倾向线，用数学方法拟合这条曲线，可以得到数学模型，根据这个数学模型计算出来的、与实际值相对应的值，称为理论值。
（3）预测值：实际上也是根据数学模型计算出来的理论值，但它是与未来对应的理论值。
（4）表示符号：实际值用y
i
表示；理论值用
表示；预测值用y
0
表示。
为使回归分析方程符合实际，首先，应尽可能判断自变量的可能种类和个数，并在观察事物发展规律的基础上定性回归方程的可能类型；其次，力求掌握较充分的高质量统计数据，再运用统计方法，利用数学工具和相关软件，从定量方面计算或改进定性判断。