回归分析——简单线性回归实例讲解（SPSS）

什么是回归分析？

回归分析是研究自变量与因变量之间数量变化关系的一种分析方法，它主要是通过因变量Y与影响它的自变量Xi（i1,2,3…）之间的回归模型，衡量自变量Xi对因变量Y的影响能力的，进而可以用来预测因变量Y的发展趋势。

🎈🎈🎈相关分析与回归分析的联系与区别：

• 联系：
  两者均为研究与测度两个或两个以上变量之间关系的方法。
  在实际工作中，一般先进行相关分析，计算相关函数，然后建立回归模型，最后用回归模型进行推算或预测。
• 区别：
  ✨相关分析研究的都是随机变量，并且不分自变量与因变量；
  ✨回归分析研究的变量要定义出自变量与因变量，并且自变量是确定的普通变量，因变量是随机变量；
  ✨相关分析描述的是两个变量之间相关关系的密切程度；
  ✨回归分析不仅可以揭示变量X对变量Y的影响程度，还可以根据回归模型进行预测。

回归分析包括：线性回归和非线性回归。
线性回归又分为：简单线性回归、多重线性回归。
非线性回归，需要通过对数转化等方式，将其转化为线性回归的形式进行研究。

线性回归分析步骤

回归分析五步法：

1、根据预测目标，确定自变量和因变量；
2、绘制散点图，确定回归模型类型；
3、估计模型参数，建立回归模型； （最小二乘法）
4、对回归模型进行检验；
5、利用回归模型进行预测。

简单线性回归和多重线性回归的区别：变量个数的不同。

简单线性回归

简单线性回归也称为一元线性回归，回归模型中只含有一个自变量，主要用来处理一个自变量与一个因变量之间的线性关系。

Y = a + bX + ε
Y：因变量
a：常熟项，是回归直线在纵坐标轴上的截距
b：回归系数，回归直线的斜率，表示自变量对因变量的影响程度
X：自变量
ε：随机差数，随机因素对因变量产生的因素

如何的到最佳的a和b，使得尽可能多的到（