最小二乘法多元线性回归_数量化一类理论（多元线性回归最小二乘法求解系数）附Python实现程序...

用观察数据（实验数据）来研究一些随机变量之间的关系时常用各种各样的多元分析方法。由于随机变量所处的背景的不同，我们大致可以把随机变量分为两类：一类是常规的变量（数量有变化的变量），例如重量、价格、时间、速度等；另一种变量不是真的在数量上有变化的变量，只是在性质上有变化，例如三角形变化为正方形，这种性质上发生变化的变量我们通常称为定性变量或名义尺度变量。由定性变量组成的数据为定性数据，而分析定量数据的多元分析方法，则不能解决此类问题。为了解决此类问题，在20世纪50年代产生了专门为解决各种定性研究数据的方法，这种方法就是数量化理论。数量化理论有很多，这里介绍的数量化一类理论是感性工学研究中应用最多的一种。

数量化一类理论是研 究一组定性变量X（自 变量）与一组定量变量ｙ（因变量）之间的关系，将定性的变量进行量化，变成０、１等定量的数据后，利用多元线性回归分析，建立它们之间的数学模型，从而实现对因变量Y的预测。

在产品造型设计的感性工学研究中，我们常常需要去研究某个产品的形态 （如：壁灯的形态）与用户的感性评价值（如：用户对壁灯A的新颖性评价值，就是用户的感性评价值）之间的关系。这就是一种典型的数量化一类理论的运用。

比如我们有N个样本（N个同类的产品，比如有N个壁灯），我们对这N个样本进行造型设计要素的分解（以系统观念来看，一个产品可由不同的设计元素组合而成 ，而每个设计元素又有不同的形态，因而形成了不同造型的产品。）。将造型设计要素作为自变量 X(定性变量)，感性评价值作为因变量Y (定量变量)，设有m个造型设计要素，第 j 个造型设计要素的类别数目由Cj 表示，δi ( j , k) 称为第 j 个造型设计要素第 k 类在第 i 组样品中的反应 ,则

在感性评价值（因变量）Y与造型设计要素各类别的反应之间存在线性关系，因此可以得到线性模型：

对于上边的多元线性回归模型的求解，我们可以用最小二乘法来求做逼近求得其近似解（系数ajk）。

求得的ajk 即为类别（每个设计要素的Cj类形态）对项目（m个造型设计要素）的贡献度，ajk越大说明其对应的类别对项目的贡献度越大。

下面是Python实现程序：

Python计算系数的程序代码

测试代码数据：

程序运行结果：