简单线性回归（一）

喜欢就点关注吧!

回归分析

回归分析（regression analysis ）是研究一个变量如何随另一些变量变化的方法。例如，学习成绩会受努力的时间，方法，个人的智慧，教育资源等因素影响；疾病的发生与生活环境，方式，遗传因素，自身体质等影响。常见的回归分析有 线性回归、非线性回归、多重线性回归、Logistic回归等等。

本节主要讲解简单线性回归，即研究变量Y随变量X变化的分析，不考虑多自变量对结果变量情况。

回归分析与相关分析的区别与联系

线性回归模型

线性回归（linear regression ）是分析两个定量变量间的线性关系。一般地，某一变量（称为Y变量）随另一变量（X变量）变化而变化，且这种变化趋势呈直线趋势。

线性回归方程: Y'=a+bX，

Y'为X对应的实测值Y的总体均数的估计值，X为横坐标（），a为截距，b为斜率

通过个体观测值（X、Y）找到最“合理的”一条直线，尽可能地让所有的散点与它的距离“最近”，得出直线的方程Y'=a+bX 。只要给出一个自变量X的值，就能计算出相应的预测值Y'。

线性回归模型适用条件

（一）因变量Y与自变量X呈线性关系

通过绘制（X、Y）的散点图，观察散点的分布是否具有线性趋势，来判断线性关系是否成立。如果不成立，则可以通过非线性回归分析方法。

（二）每个个体观察值之间互相独立

即任意两个个体的观察值之间不应该有关联性，否则会导致回归分析的估计值不够准确和精确。

（三）在一定范围内，任意给定X值，其对应的随机变量Y均服从正态分布

利用专业知识来判断，也可通过残差的散点图，或者通过预实验测定任意给定X值对应一系列Y值，再检验Y值的正态性来判断。如果不满足正态性，首先应该考虑通过数据变换，使其满足正态性。

（四）在一定范围内，不同X值所对应的随机变量Y的方差相等

通常利用（X、Y）的散点图或残差的散点图来判断方差是否齐性。如果数据不满足等方差条件，可用变量变换使其方差齐性，或者采用加权回归法。

回归参数估计之最小二乘法

通俗地讲， 通过样本数据（X、Y）的散点图，尽可能地让所有的散点与某条直线的距离“最近”，来拟合出最好的一条直线。

理解图;

本次内容到此为止，下期再见。

感谢大家的支持，欢迎批评与指教！！！