[拼音]：huigui fenxi
[外文]：regression analysis
研究一个或多个随机变量Y1，Y2，…，Yl与另一些变量X1，X2，…，Xk(普通变量或随机变量)关系的统计方法。在某些问题中，诸X带有“原因”的性质，故称之为自变量；诸Y带有“结果”的性质，称之为因变量。有时X与Y之间并无明显的因果关系，但仍沿用“自变量”、“因变量”的名称，有时也称诸X为“因素”，诸Y为“指标”或“响应”。
最简单的情况是l=k=1，且Y1与X1大体上有线性关系，这叫做一元线性回归（一元是指只有一个自变量）。例如，以X记每亩的肥料施用量，Y记小麦的每亩产量，在一定范围内，可认为X与Y之间大体上有线性关系。由于Y还受到其他大量的可预见和不可预见的因素的影响，更确切的是把Y 表为 Y=α+bX+ε，这里ε是一随机变量，常称为随机误差。它反映了除肥料外，其他不可控制或未加控制的因素（如土壤肥力的不均匀、种田者在操作中的各种微小的差异等）的影响。通常假定随机误差的均值为0，方差σ2>0，σ2与X 的值无关。若进一步假定ε遵从正态分布N(0，σ2)，就叫做正态线性回归模型。在上述模型中α、b都是未知参数，b 称为(Y 对X 的)回归系数，而α称为常数项，它们的值由观测样本去估计。
一般，设有k个自变量X1，X2，…，Xk和因变量Y。例如，X1，X2，…，Xk分别代表每亩施肥量、每亩播种量等，Y代表每亩产量。则Y的值可以分解为两部分:一部分是由于X1，X2，…，Xk的影响，表为ƒ(X1，X2，…，Xk；β1，β2，…，βp)，ƒ为已知函数，称它为回归函数。其中β1，β2，…，βp是由观测数据估计的未知参数，如上例中的α与b。另一部分是由于其他未被考虑的因素和随机性的影响，记为ε，即随机误差。故一般的回归模型有形式
Y=ƒ(X1，X2，…，Xk；β1，β2，…，βp)+ε。
方程Y=ƒ(X1，X2，…，Xk；β1，β2，…，βp)，称为理论回归方程。通常，回归方程可由所研究的问题的有关理论给出，也可以根据经验数据和数学处理上的方便去选择。最常用的形式是
它是未知参数β0，…，βk的线性函数，故称为线性回归，βi称为Xi对Y的线性回归系数，i=1，2，…，k。有些回归方程可通过引进新自变量化为上述形式。例如，在回归方程Y＝α+blogX中令 X′=logX，则方程化为Y＝α＋bX′形式。另一类重要例子是多项式回归。当不易从理论上确定回归函数ƒ的具体形式时，常采用 X1，X2，…，Xk的多项式作为近似， 如
若引进新的自变量 
可把它化为如上的线性回归形式。因此线性回归是一类包罗很广的模型。
当自变量的个数k>1时，称为多元回归；当因变量的个数l>1时，称为多重回归（见多元统计分析）。
回归分析要解决的问题，一是根据试验或观测数据选定适当的回归函数，或检验某种选定的回归函数是否合用。二是对回归函数中的未知参数β0，β1，…，βp进行估计。三是检验有关这些参数的假设。四是对随机误差ε的影响程度进行估计，最常用的是估计ε 的方差σ2。五是利用已建立的回归方程进行预测和控制。
为估计未知参数，常用最小二乘法。设Y与诸X的n组观测值为
作平方和
找出β1，β2，…，βp的值
使 Q 达到极小，娕i就是βi的最小二乘估计(i=1，2，…，p)。在模型为线性时，使用
作为σ2的估计，在
的情况下，最小二乘估计的表达式很容易求出。特别当k=1时，有
式中
假设检验对线性回归β0 + β1X1 + β2X2 + … +βpXp最常考虑的检验问题是某些回归系数为0，例如，对假设
进行检验。若h0 成立，表示自变量X1，X2，…，Xj对因变量Y无显著影响，从而可以不选入方程中。这就联系到“自变量选择”的问题，在一些复杂问题中，可供考虑的自变量为数很多，要有效地进行分析，必须排除次要的因素，而将影响较大的自变量选入。常用的方法是逐步回归，它按假设检验的原则，逐次在回归方程中引进或剔除一个变量，直至变量既不能引进又不能剔除为止。
回归预测是指设想在自变量X1，X2，…，Xk的一组值
处做试验，预测得到的Y值是多少。在得到β1，β2，…，βp 的估计 
后，建立回归方程
，
称为经验回归方程，以给定的值
代入得
即以
作为Y的预测值。预测是回归方程的一项重要应用。
回归设计
在不少问题中，自变量X的取值是可控的，例如，一项生产过程中的温度、压力、反应时间等。在这种情况下，自变量的值可由试验者选定，因此可适当地选择X在试验中所取的值，以使所拟合的回归方程有优良的性能。这就是回归设计问题。关于这个问题，除了直线回归这个简单情况外，在二次（及三次）多项式回归方面有较具体的结果。其中值得一提的是旋转设计和混料设计。
旋转设计着眼于回归预测值
(X)的方差。设X0为自变量容许变化范围内的中心点，若在自变量空间中与X 0等距离的点处，的方差也相同，则设计称为是旋转的。对二次多项式回归的重要情况，找到了具有旋转性的设计方案。
在混料设计中，每个自变量Xi表示一种原料在整个配方中所占的百分比，因此每个Xi都在0与1之间，且所有Xi之和应为1，试验的目的是寻找最佳配方，目前已提出了若干类型的混料试验设计并在应用上取得了一些成功。
美国统计学家J.基弗在20世纪50年代末期提出了一种回归设计优良性准则，即D 最优准则。大体上说，这种准则的要旨是使回归系数估计量的广义方差（即回归系数的协方差阵的行列式）尽可能小。基弗对这个准则进行了一些基本研究，并在一些情况下（例如当自变量变化范围为球或立方体的情况）求得了具有D 最优性的回归设计。
- 参考书目