中级会计师回归直线方程

先求 x、y 的平均数 x_=(3+4+5+6)/4=9/2，y_=(2.5+3+4+4.5)/4=7/2，

然后求对应的 x、y 的乘积之和 ：3*2.5+4*3+5*4+6*4.5=66.5 ，x_*y_=63/4 ，

接着计算 x 的平方之和：9+16+25+36=86，x_^2=81/4 ，

现在可以计算 b 了：b=(66.5-4*63/4) / (86-4*81/4)=0.7 ，

而 a=y_-bx_=7/2-0.7*9/2=0.35 ，

所以回归直线方程为 y=bx+a=0.7x+0.35 。

扩展资料：

回归直线的求法

最小二乘法：

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Q取最小值的那一条，这种使“离差平方和最小”的方法，叫做最小二乘法：

由于绝对值使得计算不变，在实际应用中人们更喜欢用：Q=（y1-bx1-a）²+（y2-bx2-a）²+······+（yn-bxn-a）²，这样，问题就归结于：当a，b取什么值时Q最小，即到点直线y=bx+a的“整体距离”最小。

回归方程的写法：spss数据表中有非标准系数一栏，这其实就是回归方程的系数。对应的变量就是和系数相乘。如果有常数项，就不用和变量值相乘。

回归直线的原理：

如果散点图中点的分布从整体看大致在一条直线附近，我们就称这两个变量之间具有线性相关关系，这条直线叫做回归直线。根据不同的标准，可以画出不同的直线来近似表示这种线性相关关系。

回归直线比如可以连接最左侧点和最右侧点得到一条直线，或者让画出的直线上方的点和下方的点数目相等。当所有数据点都分布在一条直线附近，显然这样的直线还可以画出许多条，而我们希望找出其中的一条，它能最好地反映x与Y的关系。

换言之，我们要找出一条直线，使这条直线"最贴近"已知的数据点。记此直线方程为y^=a+bx。这里在y的上方加记号"^"是为了区分Y的实际值y，表示x取值xi(i=1，2，3……，n)时，Y相应的观察值为yi，而直线上对应于xi的纵坐标是yi^=a+bxi(i为x右下角的数值)。

y^=a+bx式叫做Y对x的回归直线方程，b叫回归系数。要确定回归直线方程，只要确定a与回归系数b。

参考资料：回归直线_百度百科

先求 x、y 的平均数 x_=(3+4+5+6)/4=9/2，y_=(2.5+3+4+4.5)/4=7/2，然后求对应的 x、y 的乘积之和 ：3*2.5+4*3+5*4+6*4.5=66.5 ，x_*y_=63/4 ，接着计算 x 的平方之和：9+16+25+36=86，x_^2=81/4 ，现在可以计算 b 了：b=(66.5-4*63/4) / (86-4*81/4)=0.7 ，而 a=y_-bx_=7/2-0.7*9/2=0.35 ，所以回归直线方程为 y=bx+a=0.7x+0.35 。

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

y=bx+a=0.7x+0.35

先求 x、y 的平均数 x_=(3+4+5+6)/4=9/2，y_=(2.5+3+4+4.5)/4=7/2，然后求对应的 x、y 的乘积之和 ：3*2.5+4*3+5*4+6*4.5=66.5 ，x_*y_=63/4 。

接着计算 x 的平方之和：9+16+25+36=86，x_^2=81/4 ，现在可以计算 b 了：b=(66.5-4*63/4) / (86-4*81/4)=0.7 ，而 a=y_-bx_=7/2-0.7*9/2=0.35 。

所以回归直线方程为 y=bx+a=0.7x+0.35 。

扩展资料：

回归方程（regression equation）是对变量之间统计关系进行定量描述的一种数学表达式。指具有相关的随机变量和固定变量之间关系的方程。

回归直线方程指在一组具有相关关系的变量的数据（x与y）间，一条最好地反映x与y之间的关系直线。

若在一组具有相关关系的变量的数据（x与Y）间，通过散点图我们可观察出所有数据点都分布在一条直线附近，这样的直线可以画出许多条，而我们希望其中的一条最好地反映x与Y之间的关系，即我们要找出一条直线，使这条直线“最贴近”已知的数据点。

因为模型中有残差，并且残差无法消除，所以就不能用二点确定一条直线的方法来得到方程，要保证几乎所有的实测值聚集在一条回归直线上，就需要它们的纵向距离的平方和到那个最好的拟合直线距离最小。

记此直线方程为（如右所示，记为①式）这里在y的上方加记号“^”，是为了区分Y的实际值y，表示当x取值xi=1，2，……，6）时，Y相应的观察值为yi，而直线上对应于xi的纵坐标是①式叫做Y对x的

回归直线方程，相应的直线叫做回归直线，b叫做回归系数。要确定回归直线方程①，只要确定a与回归系数b。

回归方程的有关量：e.随机变量 ^b.斜率 ^a.截距 —x.x的数学期望 —y.y的数学期望 R.回归方程的精确度。

参考资料：百度百科——回归方程

回归直线方程的计算方法：

要确定回归直线方程①，只要确定a与回归系数b。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  如图所示，且  称为样本点的中心。

直线方程的表达式：

1：一般式:Ax+By+C=0(A、B不同时为0)【适用于所有直线】

，

A1/A2=B1/B2≠C1/C2←→两直线平行

A1/A2=B1/B2=C1/C2←→两直线重合

横截距a=-C/A

纵截距b=-C/B

2：点斜式:y-y0=k(x-x0) 【适用于不垂直于x轴的直线】

表示斜率为k，且过（x0,y0）的直线

3：截距式:x/a+y/b=1【适用于不过原点或不垂直于x轴、y轴的直线】

表示与x轴、y轴相交，且x轴截距为a，y轴截距为b的直线

4：斜截式:y=kx+b【适用于不垂直于x轴的直线】

表示斜率为k且y轴截距为b的直线。

提到回归直线，首先要知道变量的相关性。变量与变量之间的关系常见的有两类：一类是确定性的函数关系，像正方形的边长a和面积S的关系；另一类是变量间确实存在关系，但又不具备函数关系所要求的确定性，它们的关系是随机性的。当两个相互关系的量具有这两种变量关系的时候，就称作两个变量具有相关关系。

在此基础上，可以画出y随x变化的图形，将已知的数据在所作的直角坐标系中进行描点。这样的图形叫作散点图。

在回归分析中，用来描述具有线性关系的因变量y与自变量xi的关系曲线，其一般表达式是y=a+∑bixi，i=1,2,…,n。