1、偏最小二乘法回归分析法建立为双线模型，其中为包含外部快（X独立模块和Y独立模块），以及两者之间的内部快（X和Y的联系模块），模型对X的潜变量进行了修改，使其与Y的协方差达到最大，即把特征值近于零的数据删除。
2、偏最小二乘法求回归方程的一般步骤：对自变量x和响应变量y进行数据观察和整理，将数据分为训练集和测试集。对训练集进行偏最小二乘法分析。通过提取x的线性组合，得到一个能够最好地预测y的模型。这个过程包括计算x的协方差矩阵、计算x的得分向量、计算得分向量的线性组合、计算组合的方差等步骤。
3、应用EXCEL实现最小二乘法计算的方法有：利用EXCEL函数、利用数据分析工具、添加趋势线等。⑴ 表格与公式编辑将最小二乘法计算过程，应用电子表格逐步完成计算，得到结果。⑵ 应用EXCEL的统计函数A、LINEST（）使用最小二乘法对已知数据进行最佳直线拟合，然后返回描述此直线的数组。
用户可以先试着画一个散点图，看看是否可以使用其他曲线来获得更好的拟合效果，在很多情况下，对数据进行线性或某些非线性拟合会有显著的效果，但可能不是最好的，所以有必要判断自变量与因变量之间是否呈线性关系。
首先，新建一个excel表格，输入要做回归分析的数据，以两组数据，身高x和体重y为例。之后，点击左上方“文件”按钮，可以看到靠下方的一个“选项”。点击红色箭头所指的“选项”按钮，进入excel选项界面，可以看到“加载项”。
步骤方法1确定您的 Excel 程序支持回归分析当您的 Excel 版本显示的是菜单条（开始、插入、页面布局、公式……）时：点击页面左上角的 Office 按钮，选择“Excel 选项”。点击页面左侧的“加载项”找到“分析工具库”。如果该加载项位于“活动应用程序加载项”列表中，则您已经设置好了。
1、线性回归：作为入门级预测大师，线性回归是你的首选。它假设因变量与自变量之间存在直线关系，用公式 Y = a + bX + e 来捕捉这种关联。最小二乘法为你揭示最佳拟合路径。然而，别忘了关注多重共线性、自相关和异方差，以及异常值可能带来的误导。
2、回归分析是预测建模技术的一种技术，它研究依赖（目标）和自变量（预测变量）之间的关系。该技术用于预测，时间序列建模和查找变量之间的因果关系。例如，通过回归可以最好地研究鲁莽驾驶与驾驶员发生道路交通事故数量之间的关系。 回归分析是建模和分析数据的重要工具。
3、OLS（普通最小二乘法）：OLS是回归分析中最基本的方法。它的主要特点是假设误差项具有恒定方差，即方差不随解释变量的改变而改变。使用OLS估计参数时，会把每个样本点的误差平方相加，得到最小化误差平方和的参数值。
在统计学中，回归分析（regression analysis）指的是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。
“回归分析”是指分析因变量和自变量之间关系，回归分析的基本思想是： 虽然自变量和因变量之间没有严格的、确定性的函数关系，但可以设法找出最能代表它们之间关系的数学表达形式。
这时把a0、a1代入（式1-1）中， 此时的（式1-1）就是我们回归的一元线性方程即：数学模型。
回归分析（英语：Regression Analysis）是一种统计学上分析数据的方法，目的在于了解两个或多个变量间是否相关、相关方向与强度，并建立数学模型以便观察特定变量来预测研究者感兴趣的变量。
自然科学：用于分析地震数据、气象数据等。回归模型 回归问题使用的模型通常基于线性或非线性关系。其中，线性回归是最简单和最常见的回归模型之一。它假设自变量与因变量之间存在线性关系，并试图拟合一条直线来表示这种关系。
回归分析是一种统计学方法，用于研究两个或多个变量之间的关系。它通常用于预测或解释一个变量的值，根据与之相关的另一个或多个变量的值。回归分析可以用于线性和非线性关系，并且可以应用于许多不同类型的数据，包括时间序列数据、实验数据和观测数据等。
