毕业论文为什么用回归分析

回归分析（regression analysis)是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，回归分析按照涉及的变量的多少，分为一元回归和多元回归分析；按照因变量的多少，可分为简单回归分析和多重回归分析；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，且自变量之间存在线性相关，则称为多重线性回归分析。

扩展资料：

回归分析步骤

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。

参考资料来源：百度百科-回归分析

只有两个变量没必要继续回归，如果多变量情况下需要继续回归。相关与回归在只有两个变量的情况下其实说的差不多是一回事。多变量情况下，可以用回归做预测，考虑调节变量，共线性问题，和多元回归一些其他功能，所以，继续做回归，还是两个变量，真的没必要，如果多变量情况下，还是可以考虑的。因为pearson相关分析是一种简单的笼统的表示变量间相关性的数据，它不会考虑变量之间是否会存在有共线性或者相互影响。因此在能够做其他相关分析的时候，比如有回归分析、方差分析等，就没有必要再看pearson相关分析的结果，而是要以回归分析的数据为依据。扩展资料spss里的pearson相关分析的作用就是单纯考量变量两两之间的关系，虽然你可以在分析时一次放入多个变量，但出来的结果都是两个变量的简单的相关，也就是不在求两变量相关时考虑其他的控制变量。 然而回归不同，回归的结果是综合所有进入回归方程的自变量对因变量的结果而成的，也就是说，在回归当中你所看到的相关，是在控制了其他进入回归方程的变量之后的。 因此，普通相关与回归之中的回归系数会有比较大的差别。举个例子，比如考查变量a，b，c之间的关系，如果使用一般的相关，那么其结果呈现的是a和b

回归分析主要是研究变量之间的因果关系的。

例如：1、我想知道：吃的越多，体重就越大吗？那么，为了验证这一假设，可以选择进食量为自变量，体重为因变量，进行线性回归分析，根据分析的结论来判断是否真的是吃的越多，体重就越大。

2、某商场想知道商场的环境、服务质量、商品价格和商品质量这四个因素是不是会影响消费者的满意度？此时，以商场的环境、服务质量、商品价格和商品质量这四个因素作为自变量，消费者的满意度作为因变量，进行多元线性回归分析，则可以得出这四个自变量中哪几个可以影响消费者满意度，并且影响的程度有多大。

更多数据分析答疑、文章、视频教程，请到谦瑞数据官方网站观看。