一、优点
1、它表明自变量和因变量之间的显著关系；
2、它表明多个自变量对一个因变量的影响强度。
回归分析也允许去比较那些衡量不同尺度的变量之间的相互影响，如价格变动与促销活动数量之间联系。这些有利于帮助市场研究人员，数据分析人员以及数据科学家排除并估计出一组最佳的变量，用来构建预测模型。
二、缺点
回归模型比较简单，算法相对低级。
扩展资料
应用
相关分析研究的是现象之间是否相关、相关的方向和密切程度，一般不区别自变量或因变量。而回归分析则要分析现象之间相关的具体形式，确定其因果关系，并用数学模型来表现其具体关系。
比如说，从相关分析中我们可以得知“质量”和“用户满意度”变量密切相关，但是这两个变量之间到底是哪个变量受哪个变量的影响，影响程度如何，则需要通过回归分析方法来确定。
一般来说，回归分析是通过规定因变量和自变量来确定变量之间的因果关系，建立回归模型，并根据实测数据来求解模型的各个参数，然后评价回归模型是否能够很好的拟合实测数据；如果能够很好的拟合，则可以根据自变量作进一步预测。
例如，如果要研究质量和用户满意度之间的因果关系，从实践意义上讲，产品质量会影响用户的满意情况，因此设用户满意度为因变量，记为Y；质量为自变量，记为X。通常可以建立下面的线性关系： Y=A+BX+§。
式中：A和B为待定参数，A为回归直线的截距；B为回归直线的斜率，表示X变化一个单位时，Y的平均变化情况；§为依赖于用户满意度的随机误差项。
参考资料来源：百度百科-回归模型
温馨提示：答案为网友推荐，仅供参考
第1个回答 推荐于2017-09-26
简单来说：
回归模型做预测是很不错的，它不仅可以预测并求出函数，还可以自己对结果进行残差的检验，检验模型的精度。
但是回归模型比较简单，算法相对低级。回归方程假设严格，需要知道引起因变量改变的所有解释变量的因素，否则回出现伪回归等问题，假设检验不过关。
具体分析：
优点：
1、回归分析法在分析多因素模型时，更加简单和方便；
2、运用回归模型，只要采用的模型和数据相同，通过标准的统计方法可以计算出唯一的结果，但在图和表的形式中，数据之间关系的解释往往因人而异，不同分析者画出的拟合曲线很可能也是不一样的；
3、回归分析可以准确地计量各个因素之间的相关程度与回归拟合程度的高低，提高预测方程式的效果；在回归分析法时，由于实际一个变量仅受单个因素的影响的情况极少，要注意模式的适合范围，所以一元回归分析法适用确实存在一个对因变量影响作用明显高于其他因素的变量是使用。多元回归分析法比较适用于实际经济问题，受多因素综合影响时使用。
缺点：
1. 有时候在回归分析中，选用何种因子和该因子采用何种表达。
2.回归方程式只是一种推测，这影响了因子的多样性和某些因子的不可测性，使得回归分析在某些情况下受到限制。
回归模型做预测是很不错的，它不仅可以预测并求出函数，还可以自己对结果进行残差的检验，检验模型的精度。
但是回归模型比较简单，算法相对低级。回归方程假设严格，需要知道引起因变量改变的所有解释变量的因素，否则回出现伪回归等问题，假设检验不过关。
具体分析：
优点：
1、回归分析法在分析多因素模型时，更加简单和方便；
2、运用回归模型，只要采用的模型和数据相同，通过标准的统计方法可以计算出唯一的结果，但在图和表的形式中，数据之间关系的解释往往因人而异，不同分析者画出的拟合曲线很可能也是不一样的；
3、回归分析可以准确地计量各个因素之间的相关程度与回归拟合程度的高低，提高预测方程式的效果；在回归分析法时，由于实际一个变量仅受单个因素的影响的情况极少，要注意模式的适合范围，所以一元回归分析法适用确实存在一个对因变量影响作用明显高于其他因素的变量是使用。多元回归分析法比较适用于实际经济问题，受多因素综合影响时使用。
缺点：
1. 有时候在回归分析中，选用何种因子和该因子采用何种表达。
2.回归方程式只是一种推测，这影响了因子的多样性和某些因子的不可测性，使得回归分析在某些情况下受到限制。
第2个回答 2011-09-03
回归模型做预测还是很不错的，它不仅可以预测并求出函数，还可以自己对结果进行残差的检验，检验模型的精度。但是回归模型比较简单，算法相对低级，很多人尤其是比赛的时候不愿意采用。希望能帮你。追问
那多次回归怎么样？
追答都是一样的道理的，做法都是一样，只是算出来的参数不同而已。
第3个回答 2021-02-27
相似回答