回归分析是一种应用很广的数量分析方法，用于分析事物间的统计关系，侧重数量关系变化。回归分析在数据分析中占有比较重要的位置。
一元线性回归模型：指只有一个解释变量的线性回归模型，用来揭示被解释变量与另一个解释变量的线性关系。
多元线性回归模型：指含有多个揭示变量的线性回归模型，用来揭示被解释变量与多个解释变量的线性关系。
此篇文章主要讲述多元线性回归分析。
方法/步骤
线性回归分析的内容比较多，比如回归方程的拟合优度检验、回归方程的显著性检验、回归系数的显著性检验、残差分析、变量的筛选问题、变量的多重共线性问题。
操作见图。回归分析通常需要多次试验操作才可以得出较好的模型。“方法”中选择“进入”，表示所有的自变量都进入模型，目前还没有考虑到变量的多重共线问题，要先观察初步的结果分析，才会考虑发哦变量的多重共线问题。
通过观察调整后的判定系数0.924，拟合优度较高，不被解释的变量较少。
由回归方程显著性检验的概率为0，小于显著性水平0.05，则认为系数不同时为0，被解释变量与解释变量全体的线性关系是显著的，可建立线性方程。
由系数表知，观察回归系数显著性检验中的概率值，如果显著性水平为0.05，除去“投入人年数”外，其他变量均大于显著性水平，这些变量保留在方程中是不正确的。所以该模型不可用，应重新建模。
重新建模操作见图片，采用的是“向后筛选”方法，依次剔除的变量是专著数、投入高级职称的人年数、投入科研事业费、获奖数、论文数。最后的模型结果是“立项课题数=-94.524+0.492x投入人年数”。
残差分析：
又P-P图可知，原始数据与正态分布的不存在显著的差异，残差满足线性模型的前提要求。
由库克距离（0.041小于1）和杠杆指变量的值知，没有显著的差异。
残差点在0线周围随机分布。
数据分析咨询请扫描二维码
