回归分析是一种数学模型      当因变量和自变量为线性关系时，它是一种特殊的线性模型      最简单的情形是一元线性回归，由大体上有线性关系的一个自变量和一个因变量组成；模型是Y=a+bX+ε（X是自变量，Y是因变量，ε是随机误差）      通常假定随机误差的均值为0，方差为σ^2（σ^2﹥0，σ^2与X的值无关）      若进一步假定随机误差遵从正态分布，就叫做正态线性模型      一般的，若有k个自变量和1个因变量，则因变量的值分为两部分：一部分由自变量影响，即表示为它的函数，函数形式已知且含有未知参数；另一部分由其他的未考虑因素和随机性影响，即随机误差      当函数为参数未知的线性函数时，称为线性回归分析模型；当函数为参数未知的非线性函数时，称为非线性回归分析模型      当自变量个数大于1时称为多元回归，当因变量个数大于1时称为多重回归      回归分析的主要内容有以下：①从一组数据出发，确定某些变量之间的定量关系式；即建立数学模型并估计未知参数      通常用最小二乘法      ②检验这些关系式的可信任程度      ③在多个自变量影响一个因变量的关系中，判断自变量的影响是否显著，并将影响显著的选入模型中，剔除不显著的变量      通常用逐步回归、向前回归和向后回归等方法      ④利用所求的关系式对某一过程进行预测或控制      回归分析的应用非常广泛，统计软件包的使用可以让各种算法更加方便      回归主要的种类有：线性回归、曲线回归、二元logistic回归、多元logistic回归      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      根据图8－3的散点图，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      在SPSS软件里可以很容易地实现线性回归，回归方程如下：质量和客户满意度散点图质量和客户满意度散点图y=0      857+0      836x回归直线在y轴上的截距为0      857、斜率0      836，即质量每提高一分，用户满意度平均上升0      836分；或者说质量每提高1分对用户满意度的贡献是0      836分      上面所示的例子是简单的一个自变量的线性回归问题，在数据分析的时候，也可以将此推广到多个自变量的多元回归，具体的回归过程和意义请参考相关的统计学书籍      此外，在SPSS的结果输出里，还可以汇报R2，F检验值和T检验值      R2又称为方程的确定性系数（coefficient of determination），表示方程中变量X对Y的解释程度      R2取值在0到1之间，越接近1，表明方程中X对Y的解释能力越强      通常将R2乘以100%来表示回归方程解释Y变化的百分比      F检验是通过方差分析表输出的，通过显著性水平（significant level）检验回归方程的线性关系是否显著      一般来说，显著性水平在0      05以下，均有意义      当F检验通过时，意味着方程中至少有一个回归系数是显著的，但是并不一定所有的回归系数都是显著的，这样就需要通过T检验来验证回归系数的显著性      同样地，T检验可以通过显著性水平或查表来确定      在上面所示的例子中，各参数的意义如表1－1所示      表1－1线性回归方程检验指标值显著性水平意义R0      89“质量”解释了89%的“用户满意度”的变化程度F276      820      001回归方程的线性关系显著T16      640      001回归方程的系数显著