因变量 y 是要解释或预测的结果，自变量 x 是候选解释信息。散点图能先发现方向、曲线、分组、异常点和方差变化。
相关系数主要衡量线性关系；U 形关系可能相关接近 0，却有明显非线性结构。
画散点时每个点是一条观测。检查：方向、形状、强度、异常、分组、随 x 变化的离散程度。
先做单变量散点与分组着色，再决定线性、变换、分段或加入分类变量。不要直接把全部列塞进回归。
别踩坑不看图直接拟合把编号列当连续自变量
学完能做什么
可检查的学习目标
01
能根据散点图判断线性关系是否合理
能根据散点图判断线性关系是否合理
02
能解释回归系数、R²、残差与显著性
能解释回归系数、R²、残差与显著性
03
能用留出数据评价预测并避免因果过度解读
能用留出数据评价预测并避免因果过度解读
知识点01
变量角色与关系形状
先画散点，再谈回归
先猜一猜
相关系数接近 0，两个变量就一定没有关系吗？
动手试一试
LIVE建模起点
比较先算系数与先看形状。
可能错过曲线和分组结构。
跟我算一遍气温与用电
散点呈 U 形：低温和高温用电都高。
简单直线可能斜率接近 0。
加入温度平方项或分段变量。
检查残差是否仍呈曲线。
“线性相关低”不等于“没有关系”，而是直线不足以描述。
立即练习
学一点，马上做 4 题
答案默认隐藏。聚焦题卡后按 ↓ 或 Space，一次只揭晓一道。
01选择未作答
要研究广告费对销量的关系，通常哪个是因变量？
谁是结果 y？
参考答案
销量。它是希望解释或预测的结果。
02判断未作答
皮尔逊相关系数为 0，说明两个变量完全独立。
U 形是典型反例。
参考答案
错误。它只说明线性相关弱；仍可能存在非线性关系或分组关系。
03简答未作答
散点图至少应检查哪四项？
先描述点云。
参考答案
方向、形状、强度、异常点；还应看分组和方差是否随 x 改变。
04选择未作答
学生编号最不适合直接作为哪种变量？
数字外观不等于数值意义。
参考答案
连续数值解释变量。编号大小通常没有数量含义。
知识点02
让残差平方和最小
最小二乘拟合一条线
先猜一猜
为什么回归线不要求穿过每一个数据点？
简单线性回归写成 y=β0+β1x+ε。每个观测的残差 e=y−ŷ，最小二乘选择系数使残差平方和最小。
平方会让正负残差不互相抵消，并对大偏差给予更高代价。
β1=Σ(x−x̄)(y−ȳ)/Σ(x−x̄)²，β0=ȳ−β1x̄。拟合线经过样本均值点 (x̄,ȳ)。
用软件拟合，也要用 3–4 个点手算斜率或检查均值点，验证列顺序和单位没有错。
别踩坑把残差写成 ŷ−y 后混用误以为误差和必须最小
动手试一试
LIVE拟合目标
比较三种“最好”的定义。
正负会抵消，坏模型也可能和为 0。
跟我算一遍三点直线
点 (1,2)、(2,4)、(3,6)。
x̄=2，ȳ=4。
协方差型分子=4，x 离均差平方和=2。
β1=2，β0=0。
拟合为 ŷ=2x，三个点残差均为 0。
立即练习
学一点，马上做 4 题
答案默认隐藏。聚焦题卡后按 ↓ 或 Space，一次只揭晓一道。
01计算未作答
模型 ŷ=3+2x，x=4 时预测值是多少？
代入回归方程。
参考答案
ŷ=3+2×4=11。
02选择未作答
残差的定义通常是？
它表示模型没解释掉的纵向偏差。
参考答案
观测值−预测值，即 e=y−ŷ。
03判断未作答
最小二乘让所有残差之和达到最小。
注意“平方”。
参考答案
错误。含截距时残差和常为 0；目标是残差平方和最小。
04计算未作答
点恰好满足 y=5x−1，回归斜率和截距应是多少？
直接与 y=β0+β1x 对照。
参考答案
斜率 5，截距 −1，且理想情况下残差为 0。
知识点03
单位、控制条件与适用范围
正确解释系数
先猜一猜
斜率为 2.5，能不能只写“x 对 y 有正影响”？
简单回归中，x 每增加 1 个单位，y 的条件均值平均改变 β1 个单位。多元回归中要加“其他变量保持不变”。
截距是 x=0 时的预测均值；若 x=0 不在数据范围内，它可能只用于定位直线，不必强行解释。
解释模板：在样本与模型适用范围内，其他变量保持不变时，x 每增加 1［单位］，y 平均增加/减少 β［单位］。
系数表给估计值、标准误、置信区间、p 值与单位解释。标准化系数与原单位系数不要混说。
别踩坑忽略单位把关联写成因果
动手试一试
LIVE系数表述质量
比较含糊、完整与因果克制。
缺幅度、单位和条件。
跟我算一遍温度系数
销量=20+3.2×温度，温度单位 ℃、销量单位杯/日。
斜率 3.2 的单位是杯/日/℃。
温度每高 1℃，日销量平均高 3.2 杯。
这是观测关联，若无实验或因果设计，不写“导致”。
范围外外推（如 60℃）没有依据，即使公式能计算。
立即练习
学一点，马上做 4 题
答案默认隐藏。聚焦题卡后按 ↓ 或 Space，一次只揭晓一道。
01简答未作答
模型 销量=50−1.8×价格，如何解释斜率？
方向、幅度、单位、范围。
参考答案
在样本价格范围内，价格每增加 1 元，销量平均减少约 1.8 件；若为多元模型，应加其他变量不变。
02判断未作答
截距没有现实含义时，回归模型一定无效。
数学角色和业务含义可不同。
参考答案
错误。x=0 可能不在观测范围，截距仍用于拟合定位；应谨慎解释而非否定整个模型。
03选择未作答
多元回归解释某个系数时最关键的限定是？
控制其他列。
参考答案
其他变量保持不变。该系数是条件关联。
04简答未作答
为什么不能直接把正系数写成“x 导致 y 增加”？
相关不等于因果。
参考答案
观测关联可能来自混杂、反向因果或选择偏差；因果结论需要实验或更强识别设计。
本讲主实验 · 拖一拖再下结论
斜率、噪声与拟合强度
调整真实斜率、截距和噪声，观察散点、拟合线与 R² 的变化。
观察结果等待计算
调整左侧参数，观察模型输出怎样变化。
实验后想一想
保持斜率不变，只增大噪声。系数含义是否改变？R² 和预测可靠性怎样变化？
知识点04
一个总分不够判断模型
R² 与残差诊断
先猜一猜
R²=0.95 的模型，为什么预测仍可能很差？
R² 表示样本中 y 变异被模型解释的比例，但高 R² 不保证关系正确、残差良好或未来预测准确。
残差图应像无结构的随机带；曲线提示非线性，漏斗提示异方差，孤立点提示异常或高影响观测。
R²=1−SSE/SST。检查残差—拟合值图、正态性（用于推断）、独立性、异方差、高杠杆与影响点。
同时报告 R²、调整 R²、RMSE/MAE 和残差图。变量增加后 R² 不降，但调整 R² 可能下降。
别踩坑只追求最高 R²删除影响点不说明
动手试一试
LIVE诊断证据
比较只报 R² 与多指标诊断。
可能隐藏非线性和外推风险。
跟我算一遍残差弯曲
拟合直线后残差呈明显 U 形。
U 形说明中间被高估、两端被低估或相反。
考虑平方项、变换或分段。
重新拟合后再次检查残差。
即使原 R² 不低，系统残差说明直线形式仍不充分。
立即练习
学一点，马上做 4 题
答案默认隐藏。聚焦题卡后按 ↓ 或 Space，一次只揭晓一道。
01选择未作答
残差图呈漏斗形最常提示？
漏斗描述散布宽度变化。
参考答案
异方差：误差波动随拟合值增大或减小。
02判断未作答
增加任何自变量都会使普通 R² 下降。
区分普通和调整 R²。
参考答案
错误。普通 R² 通常不下降；调整 R² 会对无用变量进行惩罚，可能下降。
03计算未作答
SSE=20，SST=100，R² 是多少？
代入定义。
参考答案
R²=1−20/100=0.8。
04简答未作答
R² 很高仍需检查哪三项？
高总分不能替代诊断。
参考答案
残差结构、留出预测误差、异常/影响点；还要看外推范围、变量合理性与数据泄漏。
知识点05
统计证据不等于实际重要
显著性、混杂与多重共线
先猜一猜
p<0.001 的系数一定有很大实际作用吗？
p 值衡量在特定零假设和模型条件下，当前或更极端统计量的相容程度，不代表效应大小。
混杂变量同时关联 x 与 y，会让系数误导；高度相关的自变量会造成多重共线，使系数不稳定、标准误变大。
同时看估计值、置信区间、p 值和实际单位。共线可用相关矩阵、VIF 检查；混杂需靠问题机制和设计识别。
先画因果/机制草图再选控制变量。不要为了 p<0.05 反复筛变量而不说明过程。
别踩坑p 值当效应大小把所有相关变量都控制
动手试一试
LIVE证据解释
比较只看 p 值与机制分析。
忽略效应大小与模型选择过程。
跟我算一遍冰淇淋与溺水
两者夏季同时增加。
直接回归可能得到显著正关系。
气温同时影响冰淇淋销量与游泳活动，是混杂变量。
控制季节/气温后，原关系可能减弱。
显著关联不等于冰淇淋导致溺水。
立即练习
学一点，马上做 4 题
答案默认隐藏。聚焦题卡后按 ↓ 或 Space，一次只揭晓一道。
01判断未作答
p=0.001 表示效应一定很大。
显著性与实际意义不同。
参考答案
错误。大样本下很小效应也可能显著，应结合系数大小、单位和置信区间。
02选择未作答
VIF 很高通常提示？
VIF 衡量系数方差膨胀。
参考答案
多重共线性，即自变量之间高度线性相关。
03简答未作答
什么是混杂变量？
气温是经典例子。
参考答案
同时与解释变量和结果变量相关，并可能造成二者表面关联偏差的第三变量。
04选择未作答
以下哪种报告最完整？
统计与实际意义都要呈现。
参考答案
报告系数、置信区间并解释实际单位。
知识点06
插值谨慎，外推更谨慎
预测要留出数据与区间
先猜一猜
在 10–30℃ 数据上拟合的直线，能放心预测 60℃ 吗？
训练误差衡量拟合，测试误差衡量未见数据表现。时间数据要按时间先后划分，不能随机打乱未来。
点预测只是中心估计；预测区间表达单个未来观测的不确定性，通常比均值置信区间更宽。
常用误差 MAE、RMSE、MAPE。外推超出自变量观测范围，依赖更强假设。比较模型时使用同一测试集与同一指标。
保留简单基准，例如均值、上期值。复杂模型若不能稳定超过基准，就不要只因“高级”而使用。
别踩坑随机切分时间序列只给点预测
动手试一试
LIVE预测可信度
比较训练拟合、测试评估与区间。
可能严重乐观。
跟我算一遍月销量预测
24 个月数据预测第 25–27 月。
用前 18 个月训练，19–24 月验证。
与“用上月值预测本月”基准比较。
选定后用截至 24 月数据重训，给点预测和区间。
模型选择依据来自模拟未来的验证，而不是训练拟合。
立即练习
学一点，马上做 4 题
答案默认隐藏。聚焦题卡后按 ↓ 或 Space，一次只揭晓一道。
01选择未作答
时间序列预测最合理的划分是？
未来不能泄漏给过去。
参考答案
前段训练、后段验证，保持时间顺序模拟真实未来。
02判断未作答
预测区间和回归均值的置信区间一样宽。
预测一个人比估计平均更不确定。
参考答案
错误。单个未来观测还包含随机误差，预测区间通常更宽。
03计算未作答
测试真实值 [10,20]，预测 [12,17]，MAE 是多少？
取绝对值后平均。
参考答案
绝对误差为 2 和 3，MAE=(2+3)/2=2.5。
04简答未作答
为什么一定要和简单基准比较？
没有基准就不知道好多少。
参考答案
判断复杂模型是否真正带来增益；若连上期值或均值都不如，复杂度没有实际价值。
离开前完成
完成一份不过度解释的回归小报告
选择一个结果变量和 2–4 个解释变量，完成探索、拟合、诊断与留出验证。
LOCAL PACK
本地学习资源
讲义、练习、实验与挑战清单均在本地页面内。