在 统计学 中， 线性回归方程 是利用 最小二乘函数 对一个或多个 自变量 和 因变量 之间关系进行建模的一种 回归分析 。这种函数是一个或多个称为回归系数的模型参数的线性组合。只有一个自变量的情况称为 简单回归 ，大于一个自变量情况的叫做 多元回归 。（这反过来又应当由多个相关的因变量预测的多元线性回归区别，而不是一个单一的标量变量。） 在线性回归中，数据使用 线性预测 函数来建模，并且未知的模型参数也是通过数据来估计。这些模型被叫做 线性模型 。最常用的线性回归建模是给定X值的y的条件均值是X的 仿射函数 。不太一般的情况， 线性回归模型 可以是一个中位数或一些其他的给定X的条件下y的条件分布的分位数作为X的线性函数表示。像所有形式的回归分析一样，线性回归也把焦点放在给定X值的y的条件概率分布，而不是X和y的 联合概率分布 （多元分析领域）。 线性回归模型经常用 最小二乘 逼近来 拟合 ，但他们也可能用别的方法来拟合，比如用最小化“拟合缺陷”在一些其他规范里（比如最小绝对误差回归），或者在回归中最小化最小二乘 损失函数 的乘法。相反， 最小二乘逼近 可以用来拟合那些非线性的模型。因此，尽管最小二乘法和线性模型是紧密相连的，但他们是不能划等号的 ^[2] [1]  [1]王晨阳,王成. 线性回归方程显著性的事先检验问题[J]. 延安大学学报(自然科学版),2005,02:32-34. [2]  [3]严于鲜. 层次分析法在线性回归方程中的应用[J]. 四川理工学院学报(自然科学版),2006,05:99-101. [3]  [2]马雄威. 线性回归方程中多重共线性诊断方法及其实证分析[J]. 华中农业大学学报(社会科学版),2008,02:78-81+85.