回归直线方程公式详解

回归直线方程公式详解如下：

回归直线的求法通常是最小二乘法：离差作为表示xi对应的回归直线纵坐标y与观察值yi的差，其几何意义可用点与其在回归直线竖直方向上的投影间的距离来描述。

扩展资料：

以最简单的一元线性模型来解释最小二乘法。什么是一元线性模型呢？监督学习中，如果预测的变量是离散的，我们称其为分类（如决策树，支持向量机等），如果预测的变量是连续的，我们称其为回归。回归分析中，如果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。对于二维空间线性是一条直线；对于三维空间线性是一个平面，对于多维空间线性是一个超平面。

对于一元线性回归模型, 假设从总体中获取了n组观察值（X1，Y1），（X2，Y2）， …，（Xn，Yn）。对于平面中的这n个点，可以使用无数条曲线来拟合。要求样本回归函数尽可能好地拟合这组值。综合起来看，这条直线处于样本数据的中心位置最合理。 选择最佳拟合曲线的标准可以确定为：使总的拟合误差（即总残差）达到最小。

1、线性回归方程是利用数理统计中的回归分析，来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之一。

2、线性回归也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。按自变量个数可分为一元线性回归分析方程和多元线性回归分析方程。

一元线性回归方程　

一、概念：一元线性回归方程反应一个因变量与一个自变量之间的线性关系，当直线方程Y'=a+bx的a和b确定时，即为一元回归线性方程。　

经过相关分析后，在直角坐标系中将大量数据绘制成散点图，这些点不在一条直线上，但可以从中找到一条合适的直线，使各散点到这条直线的纵向距离之和最小，这条直线就是回归直线，这条直线的方程叫作直线回归方程。　

注意：一元线性回归方程与函数的直线方程有区别，一元线性回归方程中的自变量X对应的是因变量Y的一个取值范围。　

二、构建一元线性回归方程的步骤：　

1 根据提供的n对数据在直角坐标系中作散点图，从直观上看有误成直线分布的趋势。即两变量具有直线关系时，才能建立一元线性回归方程。　

2 依据两个变量之间的数据关系构建直线回归方程：Y'=a+bx。　（其中：b=Lxy/Lxx a=y - bx）　三、一元线性回归方程的计算　

步骤：　

1 列计算表，求∑x，∑xx，∑y，∑yy，∑xy。　

2计算Lxx，Lyy，Lxy　Lxx=∑(x-xˇ)(x-xˇ)　Lyy=∑(y-yˇ)(y-yˇ)　Lxy=∑(x-xˇ)(y-yˇ)　

3求相关系数，并检验；　r = Lxy /( Lxx Lyy)1/2　

4 求回归系数b和常数a；　b=Lxy /Lxx　a=y - bx　

5 列回归方程。