一、什么是线性回归法？
如果在回归分析中，只包括一个自变量和一个因变量，且二者的关知系可用一条直道线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关回系，则称为多元线性回归分析。详细原理这里答就不细说了，具体参照线性回归。
二、spss中怎样进行多重线性回归
多元线性回归
1.打开数据，依次点击：analyse--regression，打开多元线性回归对话框。
2.将因变量和自变量放入格子的列表里，上面的是因变量，下面的是自变量。
3.设置回归方法，这里选择最简单的方法：enter，它指的是将所有的变量一次纳入到方程。其他方法都是逐步进入的方法。
4.等级资料，连续资料不需要设置虚拟变量。多分类变量需要设置虚拟变量。
5.选项里面至少选择95%CI。
点击ok。
统计专业研究生工作室原创，请勿复杂粘贴
三、sklearn 线性回归 如何得出回归结果的置信区间
sklearn的LinearRegression类不提供题主说的置信区间的功能，整个sklearn也没有这个功能。想要求出预测的置信区间有两种可选的办法：
1，自己编程实现置信区间的功能；
2，转而使用基于python的statsmodels模块，这个模块可以提供置信区间，P值等统计方面的指标分析。
看题主的问题，题主的背景应该是统计或经济类专业吧。sklearn的面向对象是机器学习的使用者，这里面的大多数人来自计算机领域，他们更关心模型的预测性能，而不太关心模型的统计指标分析。statsmodels则兼顾模型的预测性和可解释性。
四、什么叫线性回归、非线性回归。回归分析是什么。线性拟合、非线性拟合，参数拟合、非参数拟合
线性回归是利用数理统计中的回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法之一，运用十分广泛。
有一类模型，其回归参数不是线性的，也不能通过转换的方法将其变为线性的参数。这类模型称为非线性回归模型。
回归分析（regression analysis)是确定两种或两种以上变数间相互依赖的定量关系的一种统计分析方法。
已知某函数的若干离散函数值{f1,f2,…,fn}，通过调整该函数中若干待定系数f(λ1, λ2,…,λm), 使得该函数与已知点集的差别（最小二乘意义）最小。如果待定函数是线性，就叫线性拟合或者线性回归(主要在统计中)。
所谓参数拟合，就是已知试验或者真实数据，然后寻找一个模型对其规律进行模拟的过程中，求取模型中未知参数的一个过程。
五、如何用spss编程实现线性回归分析
线性回归分析的内容比较多，比如回归方程的拟合优度检验、回归方程的显著性检验、回归系数的显著性检验、残差分析、变量的筛选问题、变量的多重共线性问题。
操作见图。回归分析通常需要多次试验操作才可以得出较好的模型。“方法”中选择“进入”，表示所有的自变量都进入模型，目前还没有考虑到变量的多重共线问题，要先观察初步的结果分析，才会考虑发哦变量的多重共线问题。
通过观察调整后的判定系数0.924，拟合优度较高，不被解释的变量较少。
由回归方程显著性检验的概率为0，小于显著性水平0.05，则认为系数不同时为0，被解释变量与解释变量全体的线性关系是显著的，可建立线性方程。
由系数表知，观察回归系数显著性检验中的概率值，如果显著性水平为0.05，除去“投入人年数”外，其他变量均大于显著性水平，这些变量保留在方程中是不正确的。所以该模型不可用，应重新建模。
重新建模操作见图片，采用的是“向后筛选”方法，依次剔除的变量是专著数、投入高级职称的人年数、投入科研事业费、获奖数、论文数。最后的模型结果是“立项课题数=-94.524+0.492x投入人年数”。
残差分析：
又P-P图可知，原始数据与正态分布的不存在显著的差异，残差满足线性模型的前提要求。
由库克距离（0.041小于1）和杠杆指变量的值知，没有显著的差异。
残差点在0线周围随机分布。
六、什么是线性回归，怎样回归？如何回归？
实际上是通过自变量与因变量的数据矩阵，求出他们之间的线性关系，即一次函数。spss等统计软件可以很快处理。
