另一方面，线性回归分析可以用于分析变量之间的关联强度和关联方向，也可以通过回归方程，利用已知自变量预测未知原因变量。
一元线性回归又称简单线性回归，只包含一个自变量和一个因变量，且两者的关系可用线性近似表示，建立一元线性回归方程。 中选择所需的墙类型
二、在最小二乘法求一元线性回归方程的回归分析中，确定一元线性回归方程很简单，只需根据样本数据求公式中a和b两个参数的值，即可唯一确定一元线性回归方程。
a和b是如何确定的，有一种比较好的计算方法叫做最小二乘法。 在此，用简单的小情况具体介绍用最小二乘法估计参数a和b的方法。
案例数据：为研究受教育年限与职业声望的关系，得出8个抽样调查结果
首先分析样本数据。 首先绘制散点图，看看数据的分布情况。 在此，我们将数据组织为上表的形式，并上传到SPSSAU。 上传成功如下图所示，【受教育的年数】为自变量，【职业声望】为主要因素变量。
【可视化】选择板块的【散点图】，用受教育年限】和【职业声望】两个变量的数据绘制散点图：
输出散点图：
从散点图可以看出，职业声望(y )随受教育年限(x )的增加而增加，而且这些点呈线性趋势，可以求出最能体现这8个数据分布点分布趋势的直线：
请按以下方式设定。
使用最小二乘法推定该直线回归式中的参数a和b的：
公式如下：
具体求法：
步骤1 :求出变量x的平均值
步骤2 :求出变量y的平均值
步骤3 :求出系数b
步骤4 :求出切片a
这样，得到了一元线性回归方程。
三. SPSSAU线性回归分析需要对数据进行线性回归分析。 使用SPSSAU，可以迅速完成数据分析。 【通用方法】中选择【线性回归】方法，将【受教育年限】和【职业声望】分别放入对应的分析框中，点击【开始分析】，即可一键输出结果。 下图：
输出结果：
智能分析：文字分析表明，SPSSAU计算出的线性回归模型公式与我们以前手工计算的公式完全相同，并自动分析了受教育年限对职业声望有显著的正向影响关系。
模型预测：还提供了一个简单的线性回归模型预测，输入自变量【受教育年限】值后，系统会自动预测【职业声望】值。 下图：
此时，我们预测了受教育年数为25时的职业声望，如下图所示。
另外，可以通过线性回归的方差分析验证回归模型
方差分析表明，对模型进行f检验时，模型对f检验(F=57.898，p=0.0000.05 )，即模型构建有意义。