尽管市场上有许多新的预测分析和机器学习工具，但 Minitab 回归仍是构建预测模型的经典工具。回归允许用户对响应与各种预测变量之间的关系进行建模。公司需要正确使用预测工具，而 Minitab 回归可以帮助实现有意义的预测建模能力！

Minitab 可以使用回归分析进行：

· 构建、验证和可视化预测模型。

· 验证模型的预测能力。

· 自动化分析和模型选择。

· 预测新结果并优化参数。

回归有助于回答几乎所有行业（如营销、金融、制造、医疗器械、制药、食品科学等）专业人士经常面临的一系列问题，也可以确定哪些输入可以预测响应，哪些输入最有影响力。强大的回归模型甚至可以用来计算期望值和预测未来变化的影响。请记住，这些模型并不意味着因果关系，而是关联。

Minitab 回归可以帮助量化连续和类别预测变量如何影响相关响应，并可以使用内置功能来向预测模型、交互作用和多项式项轻松添加复杂项。

以食品制造公司为例。该公司的工程师需要确定三种潜在包装设计和时间（以小时为单位）如何影响其产品的稳定期（以水分来衡量）。他们重点关注密封包装后首个 72 小时。

回归分析通常用于拟合仅包含预测变量主效应的线性模型。在本示例中，模型将包含每个包装设计的单独截距，但每个模型将具有相同的斜率。添加多项式项和交互作用将是更强大的分析。

在统计 > 回归 > 回归 > 拟合回归模型中输入响应、连续预测变量和类别预测变量后，模型按钮可以轻松增加模型的复杂度，以便通过交互作用和多项式项进行更准确的预测.Pareto 图显示这些模型中的项产生的影响，残差图用于检查模型假定。

下方的Pareto 效应图是一个简单的图形，显示了显著项与非显著项。如果某个项的标准化效应越过红线，则 p 值小于指定的 alpha 值，在本例中该值为 0.05，表明该项为显著项。条形图的大小显示了模型中各项的相对影响：小时数和包装设计对于了解产品中的水分含量至关重要。

水分预测模型包括小时数、小时数2、包装设计以及各项之间的交互作用。Minitab 为三种包装设计中的每一种显示单独模型，从而简化模型。设计之间的常量和斜率的差异由显著的交互作用造成。

残差图帮助分析师验证回归的假定。检查是否偏离正态、不等方差或缺乏独立性，以确保分析有效且适当。

完成所有必要的调查后，分析师需要展示其调查结果。因子图有助于将数字化输出展示为简单易懂的图形，以便将模型可视化。如果目标是在关键的 72 小时内最大限度地降低产品中的含水量，则设计 2 将是最佳选择。

回归并不是新功能 - 但回归是非常强大的建模工具，所有数据分析师都应该掌握。Minitab 使构建和可视化预测模型变得简单易访问。