什么是线性回归 MT4 指标？

线性回归是第一种需要严格研究并在实际应用中广泛使用的回归分析类型。 这是因为线性依赖于未知参数的模型比与其参数非线性相关的模型更容易拟合，并且由于所得估计量的统计特性更容易确定。

在统计学中，线性回归是一种线性方法，用于对标量因变量 y 与一个或多个解释变量（或自变量）（表示为 X）之间的关系进行建模。一个解释变量 i 的情况称为简单线性回归。 对于多个解释变量，该过程称为多元线性回归。 （该术语与多元线性回归不同，多元线性回归预测多个相关的依赖变量，而不是单个标量变量。）

在线性回归中，使用线性预测函数对关系进行建模，线性预测函数的未知模型参数是根据数据估计的。 此类模型称为线性模型。 最常见的是，给定 X 值的 y 的条件均值被假定为 X 的仿射函数； 不太常见的是，给定 X 的 y 的条件分布的中值或其他一些值表示为 X 的线性函数。与所有形式的回归分析一样，线性回归n 关注给定 X 的 y 的条件概率分布，而不是y 和 X 的联合概率分布，这是多元分析的领域。

线性回归有许多实际用途。 大多数应用程序属于以下两大类之一：

如果目标是预测、预测或减少错误，则可以使用线性回归来拟合预测模型以拟合 y 和 X 值的观测数据集。 开发出这样的模型后，如果给出 X 的附加值而没有附带 y 值，则可以使用拟合模型来预测 y 的值。

给定一个变量 y 和多个可能与 y 有关的变量 X1, …, Xp，可以应用线性回归分析来量化两者之间关系的强度y 和 Xj，评估哪个 Xj 可能与 y 没有关系并确定 Xj 的哪些子集包含有关 y 的冗余信息。

线性回归模型通常使用最小二乘法进行拟合，但也可以通过其他方式进行拟合，例如通过最小化某些其他范数中的“缺乏拟合”（如最小绝对偏差回归），或者通过最小化惩罚最小保证的版本在岭回归（L2-范数）和套索（L1-范数）中具有相同的功能。 相反，最小精确方法可用于拟合非线性模型的模型。 因此，尽管术语“最小二乘”和“线性模型”密切相关，但它们并不是同义词。