回归分析是一种预测性的数据分析方法，通过建立数据模型，研究多变量之前的数据关系。比如以下案例，研究气温与冰红茶的销量的关系，通过天气预报来预测后续一段时间内的冰红茶销量。

• 案例

原始数据如下

首先通过观察散点图，及其相关系数（0.9227），发现两者具有很强的线性相关性

接下来回归分析就要出场啦。做回归分析，就可以通过最高气温来预测冰红茶的销量了。

Excel中已经集成了部分基础回归分析功能。在散点图上增加趋势线，并选中线性、显示公式、显示R平方值

散点图就变成下图了

方程y=3.7379x-36.361 即为该案例的回归方程。

显然，本案例使用线性回归模型，即用直线来拟合所有点，但无法保证直线精确穿过每个点。可以有很多条拟合直线，那么该哪一条直线的拟合度较好呢。

具体思路是，计算所有点到直线的距离的平方和，选择使这个值达到最小的直线。通过这个思路可以推导出具体的回归方程，具体推导过程就不太赘述。

而R平方值，成为判定系数。R平方值取值范围是0到1，使用来衡量回归方程的精度的，越接近1说明回归方程精度越高。反之，如果R平方值接近0，说明回归方程可能没有意义。

一般统计学上，R平方值在0.5以上，回归方程有一定意义。

好了，有了回归方程后，就可以根据未来的气温来预测冰红茶的销量了。

当然这里只研究了最高气温对冰红茶销量的影响，还可以进一步看最低气温、折扣力度以及工作日/周末等各种因素都是怎么影响销量的。受限于数据源，就不展开说了。

• 说明

本案例只是入门级的双变量线性回归分析，还有多变量回归及非线性回归，但思路基本相似，都是先拟合，再预测。既为预测，肯定误差及准确率的问题。比如本案例中，最高气温是31度时，分别有84、75、73三个不同销量，如果接下来一天最高气温是31度时，应该是多少呢？