一般回归模型中回归的中心任务是根据样本信息估计整体回归函数
线性线性回归模型：线性回归模型假设x是一维的。 也就是说，只有一个因素会考虑对y的影响。 模型是
y=x ，e(|x )=0
其中是回归系数。
x=0时，可以表示为y期待值； 可以理解为x每增加1个单位，y平均增加1个单位
案例：假设家庭每月消费支出与每月可支配收入的关系如下。
Spending=*Income
表1.1 家庭消费支出与可支配收入的一个随机样本 单位： 元
X
800
1100
1400
1700
2000
2300
2600
2900
3200
3500
Y
638
935
1155
1254
1408
1650
1925
2068
2266
2530
使用OLS估计回归参数示例的回归模型可以表示为：
其中，是回归参数的估计，是下面的拟合值，称为残差。
OLS估计的思想是通过将残差最小化来估计回归系数，如下所述
派生流程：
python实现不调用package :
deflinear_ols(x_arr，y_arr(:x_avg=x_arr.mean ) y_avg=y_arr.mean ) s _ xy=(x _ avg ) beta _0x=NP.array ([ 800，1100，1400，1700，2000，2300 ] 1650，1925，2068，2266，2530 ] (beta _ 1，beta _0)
importstatsmodels.apiassmx=NP.array ([ 800，1100，1400，1700，2000，2300，2900，3200，3500 ] ) y=NP . 530 ) ) est=sm.ols(y，sm.add_constant(x ) x ).fit ) (est.summary ) ) result :