回归直线方程中级会计

线性回归方程公式：b=(x1y1+x2y2+...xnyn-nXY)/(x1+x2+xn-nX)。

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。

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。

线性回归方程求法介绍：

1、用所给样本求出两个相关变量的(算术）平均值。

2、分别计算分子和分母：（两个公式任选其一）分子。

3、计算b：b=分子/分母。

4、用最小二乘法估计参数b，设服从正态分布,分别求对a、b的偏导数并令它们等于零。

5、先求x，y的平均值X，Y。

6、再用公式代入求解：b=(x1y1+x2y2+xnyn-nXY)/(x1+x2+xn-nX)后把x，y的平均数X，Y代入a=Y-bX。

7、求出a并代入总的公式y=bx+a得到线性回归方程(X为xi的平均数，Y为yi的平均数)。

计算方法：

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。

数学表达:Yi-y^=Yi-a-bXi.总离差不能用n个离差之和来表示，通常是用离差的平方和即(Yi-a-bXi)^2计算。即作为总离差，并使之达到最小，这样回归直线就是所有直线中除去最小值的那一条。这种使“离差平方和最小”的方法，叫做最小二乘法。用最小二乘法求回归直线方程中的a,b有图一和图二所示的公式进行参考。其中，  和  如图三所示，且  称为样本点的中心。

①式：

扩展资料

方法

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。有以下三个标准可以选择：

1、用“残差和最小”确定直线位置是一个途径。但很快发现计算“残差和”存在相互抵消的问题。

2、用“残差绝对值和最小”确定直线位置也是一个途径。但绝对值的计算比较麻烦。

3、最小二乘法的原则是以“残差平方和最小”确定直线位置。用最小二乘法除了计算比较方便外，得到的估计量还具有优良特性。这种方法对异常值非常敏感。

参考资料：百度百科：最小二乘法