一、相关关系
散点图的绘制与解读、相关系数的概念与特征
用于衡量两类现象在发展变化的方向与大小方面存在一定的关联（不包括因果和共变关系） 。
1.正线性相关
例如销售额中涵盖了销售利润和各类成本等，从数据大致可以看出，销售利润随着销售额的增长而增长，由于各类不确 定因素，数据点基本落在直线周围，我们称之为正线性相关 。
2.负线性相关
例如通常情况下，某地区的犯罪率越高，则该地区的房价越低，但由于供需环境等其他不确定因素，数据点基本落在直 线周围，我们称之为负线性相关 。
3.完全线性相关
虽然所有点都在直线上，但是我们不能说两个变量是函数关系，这是因为我们看到的是样本，并且我们假设两个变量是 随机变量，而我们需要推导的是两个总体的关系 。
4.非线性相关
例如虽然网站的点击量随着网站的广告投入的增加而增加，但其数据点分布在对数线周围，呈现出对数相关性 。
估计标准误差与相关系数的关系
一元线性回归中，对于同一个问题，估计标准误差就意味着样本点到回归线的距离越近，那么两个变量的 线性相关性就越强，相关系数越大 。
二、相关系数
1.相关系数
一般情况下，如果不做特殊说明，指的就是线性相关 。如果相关系数是根据变量的样本数据计算的，即为了推断总体，那么则称为样本相关系数（虽然有的时候在部分资料里 并不严格说明），记为 r（有的教材里也称为Pearson相关系数）
虽然没有严格的规定，但是我们往往习惯按照下面的方式对相关性强度进行分级：
由于 r 只是样本线性相关系数，无论其数值等于多少，我们需要推断的始终是总体的相关性如何，这时候我们就需要运 用显著性检验的知识了 。我们运用R.A.Fisher提出的 t 检验方法来检验两个变量总体之间是否存在线性相关关系 。
原假设：H0 ： ? = 0，两变量间无直线相关关系 检验统计量：
适用条件：数据间相互独立，包括观测间相互独立与变量间相互独立；变量为连续变量（积差相关的条件）；两变量间 的关系是线性的 。
2.散点图提供如下特征：
（1）散点的密集程度，反应相关性的大小；
（2）散点是否具有线性关系，或线性趋势，还是其 他形式，如果是其他形式是否可以转换成线性 形式；
（3）线性关系之外是否存在异常值及其存在与线性 趋势的哪个方向；
（4）数据是否存在稀疏问题 。
3.一元线性回归方程回归分析的概念和特点
回归分析能解决什么问题？
探索影响因变量的可能因素；
利用回归模型进行预测 。
相关与回归间的关系？
相关分析侧重反映散点的疏密程度 。
回归分析侧重反映散点的趋势程度 。
三、最小二乘法
1.线性回归的基本过程
四、评价与检验
第一步：总平方和分解
第二步：计算判定系数
第三步：残差标准误
由于 SSE 是一个求和表达式 。样本越多，SSE 的取值就往往会越大，因此，SSE 并不适合相对 客观的反映估计值与样本值的偏离程度，我们需要将 SSE 处理成相对值 。于是我们令
，其中 n-2 是自由度 。这个公式可以粗略的理解为，通过除以自由度，得到残差平 方的均值；再开根号则可以将方差转化成标准差，也成为估计标准误差 。
第四步：线性关系检验
线性回归模型的假设
五、例题精讲
推荐阅读
- 洛克王国退游几天领回归礼包
- 除夕致辞简短
- excel回归分析怎么做 excel回归分析
- 一元硬币多少钱「一元的硬币能值多少钱」
- 关于新型中红外高功率非线性光学材料磷锗锌晶体研制的简介 新型中红外高功率非线性光学材料磷锗锌晶体研制
- 弹弹堂回归号怎么推荐别人 弹弹堂手游怎么填写推荐人
- 一元二次方程的解法
- 荣耀30s有线性马达吗
- 一元背后图是哪个景区
- 面吸微雕是什么