参考资料：生物统计学
两个具有因果关系的协变量如果呈直线关系，可以用直线回归模型来分析两个变量的关系。直线回归（linear regression）是回归分析中最简单的类型，建立直线回归方程并经检验证明两个变量存在直线回归关系时，可以用自变量的变化预测因变量的变化。
1、回归方程的建立
（1）数学模型
设自变量为x，因变量为y，两个变量的n对观测值为(x1,y1)，(x2,y2)，...，(xn,yn)。可以用直线函数关系来描述变量x、y之间的关系：
其中，α、β为待定系数，随机误差为。设(x1,Y1)，(x2,Y2)，...，(xn,Yn)是取自总体(x,Y)的一组样本，而(x1,y1)，(x2,y2)，...，(xn,yn)是该样本的一组观测值，x1，x2，...，xn是随机取定的不完全相同的数值，而y1，y2，...，yn为随机变量Y在试验后取得的具体数值，则有：
其中i=1,2，...，n，ε1，ε2，...，εn相互独立。该模型可理解为对于自变量x的每一个特定的取值xi，都有一个服从正态分布的Yi取值范围与之对应，这个正态分布的期望是α+βx，方差时σ^2。，
，回归分析就是根据样本观察值求解α和β的估计值a和b。对于给定的x，有：
作为的估计，上式称为y关于x的直线回归方程，其图像称为回归直线，a称为回归截距（regression intercept），b称为回归系数（regression coefficient）。
（2）参数α、β的估计
在样本观测值(x1,y1)，(x2,y2)，...，(xn,yn)中，对每个xi都可由直线回归方程式确定一个回归估计值。即
这个归回估计值与机制观测值之差为：
表示yi与回归直线的偏离度。
为使建立的回归直线尽可能地靠近各观测值的点（xi,yi）（i=1,2,...,n），需使离回归平方和（或称剩余平方和）
最小。
根据最小二乘法，要使Q最小，需求Q关于a、b的偏导数，并最终得到：
a和b为α和β的最小二乘估计。上式中，分子为x的离均差与y的离均差的乘积和，简称乘积和（sum of products），记作SP_xy；分母
为x的离均差平方和，简称平方和（sum of squares），记作SSx。
a为回归截距，是回归直线与y轴交点的纵坐标，是总体回归截距α的无偏估计值；b称为回归系数，是回归直线的斜率，是总体回归系数β的无偏估计值。回归直线具有以下性质：
①离回归的和等于零，即；
②离回归平方和最小，即最小；
③回归直线通过散点图的几何重心。
示例如下：
进行回归或相关分析前，为观察变量间关系的大致情况，一般先作散点图。
a，b的计算步骤如下：
2、回归的假设检验
即使x和y变量间不存在直线关系，有n对观测值（xi，yi）也可以根据上面介绍的方法求一个回归方程，所以回归方程建立后，需要进行假设检验来判断变量y与x之间是否确实存在直线关系。检验回归方程是否成立即检验假设是否成立，可采用F检验和t检验两种方法。
（1）回归方程的F检验
①平方和与自由度的分解
回归数据的总变异由随机误差
和回归效应
两部分组成。如下图所示：
总平方和SSy可以分解为回归平方和SS_R及离回归平方和（误差平法和）SSe。各项的计算公式为：
其中：
直接反映出y受x的线性影响二产生的变异，而
的算法则可以推广到多元线性回归分析。
SSy是因变量y的离均差平方和，所以自由度
SS_R反映有x引起的y的变异，所以自由度
SS_e反映除x对y的线性影响外的其他因素引起的y的变异，自由度
平方和与相应自由度的比为相应的均方，即：
②F检验
零假设
备择假设
统计量F：
和方差分析的F检验一样，回归方程的显著性F检验也总是使用回归均方做分子，离回归均方做分母。
本例的方差分析表如下：
结论：p<0.01，说明本例存在线性回归关系，即求得的回归方程y=0.0137+0.8507x具有统计学上极显著的意义，是有效的。
（2）回归系数的t检验
对直线关系的检验也可以通过对回归系数b进行t检验完成。样本回归系数的变异度不仅取决于误差方差的大小，也取决于自变量x的变异程度。自变量x的变异越大（取值越分散），回归系数的变异就越小，有回归方程所估计出的值就越精确。
t检验的回归系数标准误为：
对回归系数t检验的假设为：
原假设：
备择假设：
检验统计量t：
统计量t服从df=n-2的t分布。
本例t检验如下：
对于一元直线归回而言，t检验与F检验是等价的，事实上
有时也对回归截距α的显著性进行检验。回归截距的大小对回归的显著性没有影响，检验的目的是看回归直线是否通过原点，仍使用t检验。检验时，零假设为α=0（回归直线通过原点），回归截距标准误：
统计量t：
