x=3 4 5 6 y=2.5 t 4 4.5，根据上表的数据，求出回归直线方程为y=0.7x+0.35求t？

x平均=（3+4+5+6)/4=4.5
y平均=（2.5+t+4+4.5)/4=11/4+t/4
∵y平均=0.7*x平均+0.35
∴11/4+t/4=0.7*4.5+0.35 => 110+10t=7*18+14 => t=(126+14-110)/10=3

方程回归【线性回归也属于方程回归的一部分】和曲线拟合都属于近似计算的范畴，它只能在一定区域内 近似 （特别要注意 是 近似）地描述一些散立点的规律性。而不是这些散立点的精确描述。回归过程中，主要考虑的是使 综合误差 最小。而不是各个点都能用最后的“回归方程”来计算。（最坏的情况：每一个点都不能用回归方程来计算）所以，数据和 回归方程 不符合很正常。不用奇怪。

回归直线方程是接近所有点的最近距离，所以回归方程代表上数据当然就有些点对不对了，
不用想那么多，直接把x=4带入方程，求出y=3.15就可以了
书本上也有介绍！

x平均=（3+4+5+6)/4=4.5
y平均=（2.5+t+4+4.5)/4=11/4+t/4
∵y平均=0.7*x平均+0.35
∴11/4+t/4=0.7*4.5+0.35 => 110+10t=7*18+14 => t=(126+14-110)/10=3

方程回归【线性回归也属于方程回归的一部分】和曲线拟合都属于近似计算的范畴，它只能在一定区域内 近似 （特别要注意 是 近似）地描述一些散立点的规律性。而不是这些散立点的精确描述。回归过程中，主要考虑的是使 综合误差 最小。而不是各个点都能用最后的“回归方程”来计算。（最坏的情况：每一个点都不能用回归方程来计算）所以，数据和 回归方程 不符合很正常。不用奇怪。追问那做这种回归方程的题目有什么方法么。。。直接有效的回答若不知道最后的“回归方程”，那么，那个t应该是个确定值。
进行线性回归时是有一定的步骤的：
1）由散立点求出两个平均值 x平均=(Σxi)/n ； y平均=（Σyi)/n
2) 由公式求出系数 a 。 a=(ΣΔxiΔyi)/（ΣΔxi²）
【另有一个公式 a=[(Σxiyi)-n(x平均）(y平均)]/[(Σxi²)-n(x平均²)] 效果是一样的，不过我不太用】
3）由公式 y平均=a*x平均+b => b=y平均-a*x平均 求出 常数项 b

则 回归方程 y=ax+b 即确定。赞同0|评论(1)

若：在一组具有相关关系的变量的数据（x与Y）间，通过散点图我们可观察出所有数据点都分布在一条直线附近，这样的直线可以画出许多条，而我们希望其中的一条最好地反映x与Y之间的关系，即我们要找出一条直线，使这条直线“最贴近”已知的数据点，记此直线方程为（如右所示，记为①式）这里在y的上方加记号“^”，是为了区分Y的实际值y，表示当x取值xi=1，2，……，6）时，Y相应的观察值为yi，而直线上对应于xi的纵坐标是
①式叫做Y对x的回归直线方程，相应的直线叫做回归直线，b叫做回归系数。要确定回归直线方程①，只要确定a与回归系数b。回归直线的求法。最小二乘法：总离差不能用n个离差之和
来表示，通常是用离差的平方和，即作为总离差，并使之达到最小，这样回归直线就是所有直线中除去最小值的那一条，这种使“离差平方和最小”的方法，叫做最小二乘法用最小二乘法
用Origin，打开Origin后有类似Excel的一个表格框(date1)。输入x和y，注意是竖着输，一列x一列y，然后全选，右键-->plot-->line+symbol,之后会出现拟合直线，之后选择菜单中的analysis-->Fit linear,就会出现直线方程和线性相关度，除了直线你也可以选择其他类型的曲线进行拟合。
在excel中，做散点图，插入趋势线，显示趋势线公式，可以获取回归方程及拟合度