基础回顾
简单线性和多元线性回归理论基础请回顾：
-
相关与回归分析基础；
-
一元（简单线性）相关分析与回归分析；
-
回归参数的区间估计；
-
一元（简单线性）回归方程的假设检验；
-
范例分析：一元（简单线性）相关与回归分析；
-
多元线性回归分析；
线性回归的步骤不论是一元还是多元相同，步骤如下：
-
1、散点图判断变量关系（简单线性）；
-
2、求相关系数及线性验证；
-
3、求回归系数，建立回归方程；
-
4、回归方程检验；
-
5、参数的区间估计；
-
6、预测；
范例分析
王某等人承包了某快递公司在某地的快递业务，一段时间后发现：有时候承接工作量大，完不成快递任务；有时候工作量不足，员工等待。为了制定最佳的工作计划表，王某希望估计快递员每天的工作时间（工资计件，没有偷懒现象），以便决定每天承接的快递数量。王某分析，快递员每天工作的时间与送货距离和送货次数相关。为此，他收集了由10项送货任务组成的简单随机样本数据，并根据这些数据建立二元线性回归方程。数据如下表：
项目分析
研究的目的是预测快递员运送任务所需要的时间，所以设时间为因变量；距离与次数为自变量。本题直接使用Excel计算结果。
解：1、相关次数；由于是二元回归分析，所以不做散点图，直接用回归系数判别因变量（时间）与自变量总体（距离与次数）之间的相关关系。Excel计算结果：
复相关系数R为0.9383，说明因变量时间与作为一个整体的所有自变量（距离和次数）高度线性相关。
2、回归系数及回归方程
通过Excel计算结果，可以得到回归系数及回归方程：
意义：回归系数0.042表示在固定次数的条件下，送货距离每增加1公里，行驶的时间平均增加0.042小时；同理，回归系数0.573表示在送货距离固定的条件下，送货次数每增加1次，送货的时间平均增加0.573小时。本例中，截距-0.01没有实际意义，只起调节数值的作用。
3、回归方程的检验
回归方程的检验有三种方法（回归方程显著性检验，回归系数显著性检验和相关系数显著性检验），效果相同，选择其一检验即可。Excel给出的是回归方程的显著性检验结果：
Significance F=0.000591表示统计量F=25.77422的概率值，通过与显著水平（设定为0.05）的比较，表示F值落在拒绝域，所以结论与上相同，即线性回归方程式显著的。
4、区间估计
从上表可知，在95%置信度条件下，回归系数b1的置信区间为(0.025,0.059)，b2的置信区间为(0.069,1.077)。
5、预测
某个快递员某天的任务是快递3件货，最优送货路线总长为120公里，预测送货时间，并得到95%的时间区间。
通过回归方程可得预测的送货时间为6.749小时：
95%置信度下，送货时间的置信区间为：
Excei计算结果中有Se的值，但是没有包含t统计量：
t统计量值用公式：=T.INV.2T(0.05,7)得到2.365，所以该题中送货时间区间为：
(6.749-2.365*0.639，6.749+2.365*0.639)
(5.24,8.26)
所以该条件下送货时间区间为5.24小时~8.26小时。
数据分析网（***），国内领先的大数据门户，旨在帮助大数据从业人士、爱好者提供大数据新闻资讯、前沿技术、业界观点的信息平台。
本网页内容旨在传播知识，若有侵权等问题请及时与本网联系，我们将在第一时间删除处理。E-MAIL:dandanxi6@qq.com