回归分析（regressionanalysis)是确定两种或两种以上变数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，回归分析按照涉及的自变量的多少，可分为一元回归分析和多元回归分析；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。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。 方差齐性 线性关系 效应累加 变量无测量误差 变量服从多元正态分布 观察独立 模型完整（没有包含不该进入的变量、也没有漏掉应该进入的变量） 误差项独立且服从（0,1）正态分布。 现实数据常常不能完全符合上述假定。因此，统计学家研究出许多的回归模型来解决线性回归模型假定过程的约束。 研究一个或多个随机变量Y1 ，Y2 ，…，Yi与另一些变量X1、X2，…，Xk之间的关系的统计方法。又称多重回归分析。通常称Y1，Y2，…，Yi为因变量，X1、X2，…，Xk为自变量。回归分析是一类数学模型，特别当因变量和自变量为线性关系时，它是一种特殊的线性模型。最简单的情形是一个自变量和一个因变量，且它们大体上有线性关系，这叫一元线性回归，即模型为Y＝a＋bX＋ε，这里X是自变量，Y是因变量，ε是随机误差，通常假定随机误差的均值为0，方差为σ^2（σ^2大于0）σ2与X的值无关。若进一步假定随机误差遵从正态分布，就叫做正态线性模型。一般的情形，差有k个自变量和一个因变量，因变量的值可以分解为两部分：一部分是由自变量的影响，即表示为自变量的函数，其中函数形式已知，但含一些未知参数；另一部分是由于其他未被考虑的因素和随机性的影响，即随机误差。当函数形式为未知参数的线性函数时，称线性回归分析模型；当函数形式为未知参数的非线性函数时，称为非线性回归分析模型。当自变量的个数大于1时称为多元回归，当因变量个数大于1时称为多重回归。 回归分析的主要内容为：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选入模型中，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。 均匀设计特点：试验设计的目标，就是要用最少的试验取得关于系统的尽可能充分的信息。均匀设计即可以较好地实现这一目标，尤其对多因素、多水平的试验。它可保证试验点具有均匀分布的统计特性，可使每个因素的每个水平做一次且仅做一次试验，任两个因素的试验点点在平面的格子点上，每行每列有且仅有一个试验点。它着重在试验范围内考虑试验点均匀散布以求通过最少的试验来获得最多的信息，因而其试验次数比正交设计明显的减少，使均匀设计特别适合于多因素多水平的试验和系统模型完全未知的情况。
回归分析法ab计算公式是y=a+bx+ε。
y：因变量，即套期工具的公允价值变动；
x：自变量，即被套期风险引起的被套期项目价值变动；
a：y轴上的截距；
b：回归直线的斜率，反映套期工具价值变动／被套期项目价值变动的比率；
ε：均值为零的随机变量，服从正态分布。
回归分析：研究变量之间相互关系的具体形式，对具有相关关系的变量之间的数量联系进行测定，确定一个相关的数学方程式，根据这个数学方程式可以从已知量来推测未知量，从而为估算和预测提供了一个重要方法。
分类：
1、根据因变量和自变量的个数来分类：一元回归分析和多元回归分析；
2、根据因变量和自变量的函数表达式来分类：线性回归分析和非线性回归分析。
一、回归分析主要内容：
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加入模型中，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。
二、回归分析的步骤：
1、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。
2、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。
3、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。
4、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。
5、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。
扩展资料：
回归分析法的有效性和注意事项：
1、有效性：
用回归分析法进行预测首先要对各个自变量做出预测。若各个自变量可以由人工控制或易于预测，而且回归方程也较为符合实际，则应用回归预测是有效的，否则就很难应用；
2、注意事项：
为使回归方程较能符合实际，首先应尽可能定性判断自变量的可能种类和个数，并在观察事物发展规律的基础上定性判断回归方程的可能类型；其次，力求掌握较充分的高质量统计数据，再运用统计方法，利用数学工具和相关软件从定量方面计算或改进定性判断。
参考资料来源：百度百科——回归分析
来看看SPSSAU的分析结果，格式规范并且更易解读。
第一步：首先对模型整体情况进行分析
包括模型拟合情况（R²），是否通过F检验等。
由上图可知，模型R²值为0.402，意味着平台交互性,教学资源,课程设计,课程实施可以解释学生在线学习课程满意度的40.2%变化原因。回归模型通过F检验(F=49.628，P<0.05)，说明至少一个变量会对满意度产生影响关系。
第二步：分析X的显著性
分析X的显著性（P值），如果呈现出显著性，则说明X对Y有影响关系。如果不显著，则应剔除该变量。
可以看到，四个解释变量对满意度的显著性分析P值均小于0.05，说明X对Y均有显著性影响关系。
第三步：判断X对Y的影响关系方向及影响程度
结合回归系数B值，对比分析X对Y的影响程度。B值为正数则说明X对Y有正向影响，为负数则说明有负向影响。
通过回归系数来看，模型中四个解释变量的B值分别为0.110、0.150、0.271、0.079。说明平台交互性，教学资源，课程设计，课程实施对满意度均呈现出显著的正向影响关系。
第四步：写出模型公式
模型公式为：满意度=1.600 + 0.110*平台交互性 + 0.150*教学资源 + 0.271*课程设计 + 0.079*课程实施
第五步：对分析进行总结
SPSSAU也会提供智能分析建议，方便分析人员快速得出分析结果，具体分析如下：
