一元线性回归模型，高中数学线性回归方程公式详解

一、一元线性回归模型的优缺点

一、优点

1、它表明自变量和因变量之间的显著关系；

2、它表明多个自变量对一个因变量的影响强度。

回归分析也允许去比较那些衡量不同尺度的变量之间的相互影响，如价格变动与促销活动数量之间联系。这些有利于帮助市场研究人员，数据分析人员以及数据科学家排除并估计出一组最佳的变量，用来构建预测模型。

二、缺点

回归模型比较简单，算法相对低级。

?

扩展资料

应用

相关分析研究的是现象之间是否相关、相关的方向和密切程度，一般不区别自变量或因变量。而回归分析则要分析现象之间相关的具体形式，确定其因果关系，并用数学模型来表现其具体关系。

比如说，从相关分析中我们可以得知“质量”和“用户满意度”变量密切相关，但是这两个变量之间到底是哪个变量受哪个变量的影响，影响程度如何，则需要通过回归分析方法来确定。

一般来说，回归分析是通过规定因变量和自变量来确定变量之间的因果关系，建立回归模型，并根据实测数据来求解模型的各个参数，然后评价回归模型是否能够很好的拟合实测数据；如果能够很好的拟合，则可以根据自变量作进一步预测。

例如，如果要研究质量和用户满意度之间的因果关系，从实践意义上讲，产品质量会影响用户的满意情况，因此设用户满意度为因变量，记为Y；质量为自变量，记为X。通常可以建立下面的线性关系：Y=A+BX+§。

式中：A和B为待定参数，A为回归直线的截距；B为回归直线的斜率，表示X变化一个单位时，Y的平均变化情况；§为依赖于用户满意度的随机误差项。

二、如何用spss做一元线性回归模型，并对模型进行显著性检验，最后进行区间预测

此处进行t检验的参数为经过费舍尔z变换后的相关性系数，即将原本的偏态分布样本转化为了正态分布，再进行t检验。具体的转化公式为log((1+r)/(1-r))/2

三、一元线性回归的古典假定是什么

对于一元线性回归模型我们通常有三条基本的假定：

(1)误差项ε是一个期望值为零的随机变量，即E(ε)＝0。这意味着在式y=β0＋β1＋ε中，由于β0和β1都是常数，所以有E(β0)=β0，E(β1)=β1。因此对于一个给定的x值，y的期望值为E(y)=β0＋β1x。

(2)对于所有的x值，ε的方差盯σ2都相同。

(3)误差项ε是一个服从正态分布的随机变量，且相互独立。即ε～N(0，σ2)。独立性意味着对于一个特定的x值，它所对应的y值与其他2所对应的y值也不相关。