回归分析有哪些基本的步骤

时间：2017-09-21 16:34:33 谢君787由分享

　　回归分析是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。回归分析也有一定的步骤。以下是由学习啦小编整理回归分析的内容，希望大家喜欢!

　　回归分析的简介

　　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其中的未知参数。估计参数的常用方法是最小二乘法。

　　②对这些关系式的可信程度进行检验。

　　③在许多自变量共同影响着一个因变量的关系中，判断哪个(或哪些)自变量的影响是显著的，哪些自变量的影响是不显著的，将影响显著的自变量入模型中，而剔除影响不显著的变量，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生产过程进行预测或控制。回归分析的应用是非常广泛的，统计软件包使各种回归方法计算十分方便。

　　在回归分析中，把变量分为两类。一类是因变量，它们通常是实际问题中所关心的一类指标，通常用Y表示;而影响因变量取值的的另一类变量称为自变量，用X来表示。

　　回归分析研究的主要问题是：

　　(1)确定Y与X间的定量关系表达式，这种表达式称为回归方程;

　　(2)对求得的回归方程的可信度进行检验;

　　(3)判断自变量X对因变量Y有无影响;

　　(4)利用所求得的回归方程进行预测和控制。

　　回归分析的应用

　　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。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。

　　对于经验回归方程： 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。

　　回归分析的步骤

　　确定变量

　　明确预测的具体目标，也就确定了因变量。如预测具体目标是下一年度的销售量，那么销售量Y就是因变量。通过市场调查和查阅资料，寻找与预测目标的相关影响因素，即自变量，并从中选出主要的影响因素。

　　建立预测模型

　　依据自变量和因变量的历史统计资料进行计算，在此基础上建立回归分析方程，即回归分析预测模型。

　　进行相关分析

　　回归分析是对具有因果关系的影响因素(自变量)和预测对象(因变量)所进行的数理统计分析处理。只有当自变量与因变量确实存在某种关系时，建立的回归方程才有意义。因此，作为自变量的因素与作为因变量的预测对象是否有关，相关程度如何，以及判断这种相关程度的把握性多大，就成为进行回归分析必须要解决的问题。进行相关分析，一般要求出相关关系，以相关系数的大小来判断自变量和因变量的相关的程度。

　　计算预测误差

　　回归预测模型是否可用于实际预测，取决于对回归预测模型的检验和对预测误差的计算。回归方程只有通过各种检验，且预测误差较小，才能将回归方程作为预测模型进行预测。

　　确定预测值

　　利用回归预测模型计算预测值，并对预测值进行综合分析，确定最后的预测值。