步骤：
相关分析-计算相关系数-建立回归模型--推算预测
1.根据预测目标，确定自变量和因变量
通过经验，常识，以往数据，初步判定和因变量和自变量
2.绘制散点图，确定回归模型
3.估计模型参数，建立回归模型
最小二乘法（最小平方法）进行模型参数估计，建立回归模型
4.对回归模型进行检验
一次性的到模型，对整个模型的参数进行参数的统计显著性检验，逐步优化，最后确定回归模型
5.利用回归规模性进行预测
二：简单线性回归分析简介
分析--线性--回归--线性
因变量：销售额
自变量：广告费用
统计--勾选估算值，模型拟合（输出判定系数R方）--继续--线性回归--选项=--勾选“在方程中包括常量”（输出拟合直线的截距a）--继续--线性回归界面--确定
输入、除去变量表
输出简单的线性回归模型建立过程的相关信息
线性回归模型汇总表
R方：拟合优度或决定系数（R2接近于1 ，表示拟合效果良好）
调整后的r方:用于修正自变量个数的增加而导致模型拟合效果过高的情况，他用于衡量模型预测变量时的效果。
标准估算误差：辞职越小，拟合效果越好
线性回归方差分析表
方差分析表主要是通过F检验来判断模型的拟合效果，即检验因变量与所有自变量之间的线性关系是否显著，用线性模型描述他们的关系是否恰当
平方和（ss）
自由度（df）
均方（Ms）
F（f统计量）--比较f分布临界值表
显著性（p值）与a(0.01,0.05)比较得出结果
线性回归模型系数表
t--t检验
显著性--（p值）p<0.01说明b有机器显著地统计意义
beta:标准化回归系数用来测量自变量对因变量的重要性，只有当因变量和自变量标准化到一只量刚下才能进行重要性的比较和衡量，
三，进行预测：
线性回归--保存--勾选“为标准化”--继续--返回线性回归--确定
预测结果表
