Question

回归方程的系数怎么求？

Answer 1

回归的决定系数=（总变化-无法解释的变化）/总变化=(0.001497-0.000230)/ 0.001497=0.8464。

请注意，此方法得出的结果与我们先前获得的结果相同。我们将在后边多元回归中再次使用这个方法：当存在多个自变量时，这种方法是计算确定系数的唯一方法。

决定系数（coefficient of determination，R2）是反映模型拟合优度的重要的统计量，为回归平方和与总平方和之比。R2取值在0到1之间，且无单位，其数值大小反映了回归贡献的相对程度，即在因变量Y的总变异中回归关系所能解释的百分比。

R2是最常用于评价回归模型优劣程度的指标，R2越大（接近于1），所拟合的回归方程越优，如下表，指数曲线的R2为0.9926，最接近1，表明在5个回归方程中，指数曲线（log(y) =1.9656-0.2199x）为最优方程。

扩展资料

虽然R2可以用来评价回归方程的优劣，但随着自变量个数的增加，R2将不断增大，若对两个具有不同个数自变量的回归方程进行比较时，

不能简单地用R2作为评价回归方程的标准，还必须考虑方程所包含的自变量个数的影响，此时应用校正的决定系数（R2-adjusted）：Rc2，所谓“最优”回归方程是指Rc2最大者。因此在讨论多重回归的结果时，通常使用Rc2。

参考资料来源：百度百科-可决系数

Answer 2

要求回归方程的系数，可以使用最小二乘法（Least Square Method）。最小二乘法是一种用于求解回归方程系数的方法，它的思想是使用最小化回归方程的误差的平方和的方法求解。
具体来说，最小二乘法的求解过程如下：
首先要确定自变量 x 和解释变量 y 的值。
然后要使用回归方程 y = a + bx 进行拟合，得到回归方程的系数 a 和 b。
最后要计算回归方程的残差平方和，即回归方程预测值与实际值之差的平方和。
最小二乘法的优点是简单易用，可以很方便地求解回归方程的系数。但是，它对数据的要求比较严格，要求数据是正态分布的，否则它的精度就会受到影响。