1. 线性回归数据处理
关于线性回归方程
线性回归方程公式：b=(x1y1+x2y2+...xnyn-nXY)/(x1+x2+...xn-nX)。
先求x,y的平均值X,Y
再用公式代入求解：b=(x1y1+x2y2+...xnyn-nXY)/(x12+x22+...xn2-nX2)
后把x,y的平均数X，Y代入a=Y-bX
求出a并代入总的公式y=bx+a得到线性回归方程
2. 如何线性回归处理数据
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。
3. 线性回归数据处理技巧
线性回归分析
线性回归分析是根据一个或一组自变量的变动情况预测与其相关关系的某随机变量的未来值的一种方法。回归分析需要建立描述变量间相关关系的回归方程。根据自变量的个数，回归方程可以是一元回归，也可以是多元回归。如果回归函数是一个线性函数，则称变量间是线性相关。一元线性回归分析包括两个变量，一个是自变量，以x表示。另一个是因变量(预测变量)以y表示。
4. 线性回归数据处理工具
线性回归分析对相关分析的数据要求是:一、可以是连续性数据也可以是分类数据；
二、自变量可以是分类变量和连续性变量，因变量必须是连续性变量。
而分类变量:比如像性别、民族、学历等，数据之间无法进行加减的，而连续变量比如身高、体重、收入、温度等这种有具体意义的数据，可以进行平均和加减。这就是线性回归分析对数据的要求。
5. 线性回归数据处理方法
回归分析只涉及到两个变量的，称一元回归分析。一元回归的主要任务是从两个相关变量中的一个变量去估计另一个变量，被估计的变量，称因变量，可设为Y；估计出的变量，称自变量，设为X。回归分析就是要找出一个数学模型Y=f(X)，使得从X估计Y可以用一个函数式去计算。
当Y=f(X)的形式是一个直线方程时，称为一元线性回归。这个方程一般可表示为Y=A+BX。
根据最小平方法或其他方法，可以从样本数据确定常数项A与回归系数B的值。
A、B确定后，有一个X的观测值，就可得到一个Y的估计值。回归方程是否可靠，估计的误差有多大，都还应经过显著性检验和误差计算。
有无显著的相关关系以及样本的大小等等，是影响回归方程可靠性的因素。
6. 线性回归数据处理前后
如果分类变量只有两类的话 不需要进行处理设置哑变量 直接进行回归就好 如果分类变量超过两类的话 则需要设置哑变量。
不过如果有多个分类变量时 我一般不采用线性回归这个来做回归，因为要单独设置哑变量麻烦。通常我都是采用多元线性模型的方差分析，不需要特别设置，在选项中有一项是参数估计，把这项选中 的出来的参数估计表 跟线性回归的是一样的，其中直接就进行了哑变量的分析7. 线性回归数据挖掘
线性方程：例如五组数据：1对应0.025，2对应0.050，3对应0.075，4对应0.100，5对应0.125，在计算器上按mode 健，选择REG线性模式，找到计算器上“M+”键，输入数据：按键： 1，0.025 M+（此时显示n=1）2，0.050M+ 3，0.075M+ 4，0.100M+ 5，0.125M+ 。
五级数据输入完成后，按shift 2( 即2数字上的那个上档键，卡西欧计算器上是2上的那个健)，选择线性回归方程的截距、斜率、相关系数、标准偏差、均值等等均可以通过光标移动健看到了
8. 线性回归与数据分析
1、单击开始－所有程序－Microsoft Office，选择Microsoft Excel 2010选项。
2、新建的Excel数据表格中，创建两行数据，用以分析。
3、选中所有数据，单击数据菜单项中的，数据分析选项。
4、默认情况下，Excel表格没有数据分析选项，此时需要添加它。单击文件菜单中的选项。
5、Excel选项中，选择加载项选项。
6、加载项中，选择分析工具库选项，单击确定。
9. 线性回归数据预处理
在做回归预测时需要分析的数据往往是多变量的,那么我们在做多元回归时就需要特别注意了解我们的数据是否能够满足做多元线性回归分析的前提条件. 应用多重线性回归进行统计分析时要求满足哪些条件呢? 总结起来可用四个词来描述：线性、独立、正态、齐性. （1）自变量与因变量之间存在线性关系 这可以通过绘制”散点图矩阵”进行考察因变量随各自变量值的变化情况.如果因变量Yi 与某个自变量X i 之间呈现出曲线趋势,可尝试通过变量变换予以修正,常用的变量变换方法有对数变换、倒数变换、平方根变换、平方根反正弦变换等. （2）各观测间相互独立 任意两个观测残差的协方差为0 ,也就是要求自变量间不存在多重共线性问题.对于如何处理多重共线性问题,请参考《多元线性回归模型中多重共线性问题处理方法》
（3）残差e 服从正态分布N(0,σ2) .其方差σ2 = var (ei) 反映了回归模型的精度,σ 越小,用所得到回归模型预测y的精确度愈高. （4） e 的大小不随所有变量取值水平的改变而改变,即方差齐性.