线性回归有什么用处和作用？

1. 线性回归有什么用处和作用？

没有具体数据要求，一般来说，数据越多越好。
通过线性回归算法，我们可能会得到很多的线性回归模型，但是不同的模型对于数据的拟合或者是描述能力是不一样的。我们的目的最终是需要找到一个能够最精确地描述数据之间关系的线性回归模型。这是就需要用到代价函数。

代价函数就是用来描述线性回归模型与正式数据之前的差异。如果完全没有差异，则说明此线性回归模型完全描述数据之前的关系。
一条趋势线代表着时间序列数据的长期走势。它告诉我们一组特定数据（如GDP、石油价格和股票价格）是否在一段时期内增长或下降。虽然我们可以用肉眼观察数据点在坐标系的位置大体画出趋势线，更恰当的方法是利用线性回归计算出趋势线的位置和斜率。

2. 什么是线性回归法？

如果在回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。详细原理这里就不细说了，具体参照线性回归。

http://baike.baidu.com/view/4942739.htm

3. 请问什么是线性回归线

线性回归是用来从过去价值中预测未来价值的统计工具。就股票价格而言，它通常用来决定何时价格过份上涨或下跌（行情极端）
线性回归趋势线使用最小平方法做出的一条尽量贴近价格线的直线，使价格线与预测的趋势线差异小。
线性回归线方式：Y=a+bx
其中：a=(∑y-b∑x)/n
b=n∑(xy)-(∑x)(∑y)/n∑x?2-(∑x)?2
x是目前时间段
y是时间段总数原理：如果不得不去猜测某一股票明天的价格，较合逻辑的猜测就应该是“尽量贴近今天价格”如果股票有上涨的趋势，一个好的猜测就是尽量贴近今天的价格加上一个上调值。线性回归分析正是用统计数字来验证了这些逻辑假设。
线性回归线是用最小平方匹配法求出的两点间的趋势线。这条趋势线表示的是中间价。如果把此线认作是平衡价的话，任何偏移此线的情况都暗示着超买或超卖。
在中间线的上方和下方都建立了线性回归渠道线。渠道线和线性回归线的间距是收盘价与线性回归线之间的最大距离。回归线包含了价格移动。渠道下线是支撑位，渠道上线是阻挡位。价格可能会延伸到渠道外一段很短的时间，但如果价格持续在渠道外很长一段时间的话，表明趋势很快就会逆转了。
线性回归线是平衡位置，线性回归渠道线表示价格可能会偏离线性回归线的范围。

4. 线性回归的基本含义

在统计学中，线性回归(Linear Regression)是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。这种函数是一个或多个称为回归系数的模型参数的线性组合。只有一个自变量的情况称为简单回归,大于一个自变量情况的叫做多元回归。（这反过来又应当由多个相关的因变量预测的多元线性回归区别，[引文需要]，而不是一个单一的标量变量。）回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。回归分析中有多个自变量：这里有一个原则问题，这些自变量的重要性，究竟谁是最重要，谁是比较重要，谁是不重要。所以，spss线性回归有一个和逐步判别分析的等价的设置。原理：是F检验。spss中的操作是“分析”～“回归”～“线性”主对话框方法框中需先选定“逐步”方法～“选项”子对话框如果是选择“用F检验的概率值”，越小代表这个变量越容易进入方程。原因是这个变量的F检验的概率小，说明它显著，也就是这个变量对回归方程的贡献越大，进一步说就是该变量被引入回归方程的资格越大。究其根本，就是零假设分水岭，例如要是把进入设为0.05，大于它说明接受零假设，这个变量对回归方程没有什么重要性，但是一旦小于0.05，说明，这个变量很重要应该引起注意。这个0.05就是进入回归方程的通行证。下一步：“移除”选项：如果一个自变量F检验的P值也就是概率值大于移除中所设置的值，这个变量就要被移除回归方程。spss回归分析也就是把自变量作为一组待选的商品，高于这个价就不要，低于一个比这个价小一些的就买来。所以“移除”中的值要大于“进入”中的值，默认“进入”值为0.05，“移除”值为0.10如果，使用“采用F值”作为判据，整个情况就颠倒了，“进入”值大于“移除”值，并且是自变量的进入值需要大于设定值才能进入回归方程。这里的原因就是F检验原理的计算公式。所以才有这样的差别。结果：如同判别分析的逐步方法，表格中给出所有自变量进入回归方程情况。这个表格的标志是，第一列写着拟合步骤编号，第二列写着每步进入回归方程的编号，第三列写着从回归方程中剔除的自变量。第四列写着自变量引入或者剔除的判据，下面跟着一堆文字。这种设置的根本目的：挑选符合的变量，剔除不符合的变量注意：spss中还有一个设置，“在等式中包含常量”，它的作用是如果不选择它，回归模型经过原点，如果选择它，回归方程就有常数项。这个选项选和不选是不一样的。在线性回归中，数据使用线性预测函数来建模，并且未知的模型参数也是通过数据来估计。这些模型被叫做线性模型。最常用的线性回归建模是给定X值的y的条件均值是X的仿射函数。不太一般的情况，线性回归模型可以是一个中位数或一些其他的给定X的条件下y的条件分布的分位数作为X的线性函数表示。像所有形式的回归分析一样，线性回归也把焦点放在给定X值的y的条件概率分布，而不是X和y的联合概率分布（多元分析领域）。线性回归是回归分析中第一种经过严格研究并在实际应用中广泛使用的类型。这是因为线性依赖于其未知参数的模型比非线性依赖于其位置参数的模型更容易拟合，而且产生的估计的统计特性也更容易确定。线性回归有很多实际用途。分为以下两大类：  如果目标是预测或者映射，线性回归可以用来对观测数据集的和X的值拟合出一个预测模型。当完成这样一个模型以后，对于一个新增的X值，在没有给定与它相配对的y的情况下，可以用这个拟合过的模型预测出一个y值。这是比方差分析进一步的作用，就是根据现在，预测未来。虽然，线性回归和方差都是需要因变量为连续变量，自变量为分类变量，自变量可以有一个或者多个，但是，线性回归增加另一个功能，也就是凭什么预测未来，就是凭回归方程。这个回归方程的因变量是一个未知数，也是一个估计数，虽然估计，但是，只要有规律，就能预测未来。  给定一个变量y和一些变量X1,...,Xp，这些变量有可能与y相关，线性回归分析可以用来量化y与Xj之间相关性的强度，评估出与y不相关的Xj，并识别出哪些Xj的子集包含了关于y的冗余信息。  线性回归模型经常用最小二乘逼近来拟合，但他们也可能用别的方法来拟合，比如用最小化“拟合缺陷”在一些其他规范里（比如最小绝对误差回归），或者在桥回归中最小化最小二乘损失函数的惩罚.相反,最小二乘逼近可以用来拟合那些非线性的模型.因此，尽管“最小二乘法”和“线性模型”是紧密相连的，但他们是不能划等号的。数据组说明线性回归以一简单数据组来说明什么是线性回归。假设有一组数据型态为 y=y(x)，其中x={0, 1, 2, 3, 4, 5}, y={0, 20, 60, 68, 77, 110}如果要以一个最简单的方程式来近似这组数据，则用一阶的线性方程式最为适合。先将这组数据绘图如下图中的斜线是随意假设一阶线性方程式 y=20x，用以代表这些数据的一个方程式。以下将上述绘图的MATLAB指令列出，并计算这个线性方程式的 y 值与原数据 y 值间误差平方的总合。>> x=[0 1 2 3 4 5];>> y=[0 20 60 68 77 110];>> y1=20*x; % 一阶线性方程式的 y1 值>> sum_sq = sum((y-y1).^2); % 误差平方总和为 573>> axis([-1,6,-20,120])>> plot(x,y1,x,y,'o'), title('Linear estimate'), grid如此任意的假设一个线性方程式并无根据，如果换成其它人来设定就可能采用不同的线性方程式；所以必须要有比较精确方式决定理想的线性方程式。可以要求误差平方的总和为最小，做为决定理想的线性方程式的准则，这样的方法就称为最小平方误差(least squares error)或是线性回归。MATLAB的polyfit函数提供了 从一阶到高阶多项式的回归法，其语法为polyfit(x,y,n)，其中x,y为输入数据组n为多项式的阶数，n=1就是一阶 的线性回归法。polyfit函数所建立的多项式可以写成从polyfit函数得到的输出值就是上述的各项系数，以一阶线性回归为例n=1，所以只有 二个输出值。如果指令为coef=polyfit(x,y,n)，则coef(1)= , coef(2)=,...,coef(n+1)= 。注意上式对n 阶的多 项式会有 n+1 项的系数。看以下的线性回归的示范：>> x=[0 1 2 3 4 5];>> y=[0 20 60 68 77 110];>> coef=polyfit(x,y,1); % coef 代表线性回归的二个输出值>> a0=coef(1); a1=coef(2);>> ybest=a0*x+a1; % 由线性回归产生的一阶方程式>> sum_sq=sum((y-ybest).^2); % 误差平方总合为 356.82>> axis([-1,6,-20,120])>> plot(x,ybest,x,y,'o'), title('Linear regression estimate'), grid

5. 线性回归的具体步骤包括那几项？

线性回归都可以通过最小二乘法求出其方程，可以计算出对于y=bx+a的直线。
拟合是推求一个函数表达式y=f(x)来描述y和x之间的关系，一般用最小二乘法原理来计算。用直线来拟合时，可以叫一次曲线拟合，虽然有点别扭；用二次函数来拟合时，可以叫抛物线拟合或二次曲线拟合，但不能说线性回归。
用直线(y=ax+b)拟合时，得到的方程和一元线性回归分析得到的方程是一样的，但是拟合时可以人为指定函数参数形式，如b=0，而线性回归分析目的则侧重于描述y和x线性相关的程度，通常会同时计算相关系数、F检验值等统计参数。

求解方法
线性回归模型经常用最小二乘逼近来拟合，但他们也可能用别的方法来拟合，比如用最小化“拟合缺陷”在一些其他规范里（比如最小绝对误差回归），或者在回归中最小化最小二乘损失函数的乘法。相反，最小二乘逼近可以用来拟合那些非线性的模型。因此，尽管最小二乘法和线性模型是紧密相连的，但他们是不能划等号的。
以上内容参考：百度百科-线性回归方程

6. 什么是线性回归？

线性回归是利用数理统计中的回归分析，来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，运用十分广泛。分析按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析
    
在统计学中，线性回归(Linear Regression)是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。这种函数是一个或多个称为回归系数的模型参数的线性组合。只有一个自变量的情况称为简单回归,大于一个自变量情况的叫做多元回归。（这反过来又应当由多个相关的因变量预测的多元线性回归区别，】，而不是一个单一的标量变量。）
回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。
在线性回归中，数据使用线性预测函数来建模，并且未知的模型参数也是通过数据来估计。这些模型被叫做线性模型。最常用的线性回归建模是给定X值的y的条件均值是X的仿射函数。不太一般的情况，线性回归模型可以是一个中位数或一些其他的给定X的条件下y的条件分布的分位数作为X的线性函数表示。像所有形式的回归分析一样，线性回归也把焦点放在给定X值的y的条件概率分布，而不是X和y的联合概率分布（多元分析领域）。
线性回归是回归分析中第一种经过严格研究并在实际应用中广泛使用的类型。这是因为线性依赖于其未知参数的模型比非线性依赖于其位置参数的模型更容易拟合，而且产生的估计的统计特性也更容易确定。
线性回归有很多实际用途。分为以下两大类：
如果目标是预测或者映射，线性回归可以用来对观测数据集的和X的值拟合出一个预测模型。当完成这样一个模型以后，对于一个新增的X值，在没有给定与它相配对的y的情况下，可以用这个拟合过的模型预测出一个y值。
给定一个变量y和一些变量X1,...,Xp，这些变量有可能与y相关，线性回归分析可以用来量化y与Xj之间相关性的强度，评估出与y不相关的Xj，并识别出哪些Xj的子集包含了关于y的冗余信息。

7. 什么是线性回归？

线性回归都可以通过最小二乘法求出其方程，可以计算出对于y=bx+a的直线。
拟合是推求一个函数表达式y=f(x)来描述y和x之间的关系，一般用最小二乘法原理来计算。用直线来拟合时，可以叫一次曲线拟合，虽然有点别扭；用二次函数来拟合时，可以叫抛物线拟合或二次曲线拟合，但不能说线性回归。
用直线(y=ax+b)拟合时，得到的方程和一元线性回归分析得到的方程是一样的，但是拟合时可以人为指定函数参数形式，如b=0，而线性回归分析目的则侧重于描述y和x线性相关的程度，通常会同时计算相关系数、F检验值等统计参数。

求解方法
线性回归模型经常用最小二乘逼近来拟合，但他们也可能用别的方法来拟合，比如用最小化“拟合缺陷”在一些其他规范里（比如最小绝对误差回归），或者在回归中最小化最小二乘损失函数的乘法。相反，最小二乘逼近可以用来拟合那些非线性的模型。因此，尽管最小二乘法和线性模型是紧密相连的，但他们是不能划等号的。
以上内容参考：百度百科-线性回归方程

8. 什么是线性回归？

线性回归方程的公式如下图所示：

先求x，y的平均值X，Y

再用公式代入求解：b＝（x1y1＋x2y2＋...xnyn－nXY）／（x1＋x2＋...xn－nX）

后把x，y的平均数X，Y代入a＝Y－bX

求出shua并代入总的公式y＝bx＋a得到线性回归方程。




扩展资料

线性回归方程是数理统计中通过回归分析来确定两个或多个变量之间相互依赖的数量关系的统计分析方法之一。
线性回归也是回归分析中第一类得到严格研究并在实际应用中得到广泛应用的回归分析。按自变量数量可分为一元线性回归分析方程和多元线性回归分析方程。

在统计学中，线性回归方程是一种回归分析，它使用最小二乘函数来模拟一个或多个自变量和因变量之间的关系。
这种函数是一个或多个模型参数的线性组合，称为回归系数。如果只有一个自变量，称为简单回归，如果有一个以上的自变量，称为多元回归。
（反过来，这应该通过多个因变量预测的多个线性回归来区分，而不是单个标量变量。）
参考资料百度百科－线性回归方程