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：

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。

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（Xi，Yi）数据点落在或者更靠近这条拟合出来的直线上，最小二乘法就是一个较好的计算方法。

那么什么是最小二乘法呢？ 最小二乘法，又称为最小平方法，通过最小化误差的平方和寻找数据的最佳函数匹配。 最小二乘法在回归模型上的应用，就是要使得观测点和估计点的距离的平方和达到最小。