六西格玛分析阶段，回归分析是用得最多的工具之一。

但很多人做了回归分析，图画出来了，结果出来了，却看不懂R²是多少才算好，P值小于多少才算显著，系数正负代表什么。

这篇文章只讲一件事：Minitab怎么做回归分析，结果出来怎么看。不讲理论推导，只讲实操。

一、先搞清楚：回归分析在干什么

回归分析的本质就一句话：找出X和Y的关系，用X预测Y。

一元回归：1个X预测1个Y。比如用温度预测产品强度。

多元回归：多个X预测1个Y。比如用温度+压力+时间预测产品强度。

逻辑回归：X是连续型，Y是分类（合格/不合格）。黑带才考，绿带了解即可。

二、Minitab做一元回归分析（5步）

场景：用注塑温度（X）预测产品强度（Y），收集了20组数据。

第1步：数据录入
把温度数据放C1列，强度数据放C2列。

第2步：选择菜单
点"统计"→"回归"→"回归"→"拟合回归模型"

第3步：设置参数
响应：选C2（强度）
连续预测变量：选C1（温度）
点"确定"

第4步：看结果
Minitab输出回归分析结果，重点看4个数据：回归方程、R²、P值、系数。

第5步：解读结果
看回归方程是否合理，R²是否够高，P值是否显著。

三、回归分析结果怎么看（最关键）

回归结果出来后，重点看4个数据：

看点1：回归方程
比如：强度 = 20.5 + 0.8×温度
含义：温度每升高1℃，强度增加0.8。
用途：可以用这个方程预测不同温度下的强度。

看点2：R²（决定系数）
R²表示X能解释Y变异的百分比，范围0-100%。
R²>80%：拟合很好
R² 50-80%：拟合一般
R²<50%：拟合较差
注意：多元回归看调整后的R²（R-sq(adj)），不是R²。

看点3：P值
P值判断X和Y的关系是否显著。
P<0.05：X对Y有显著影响，关系成立
P≥0.05：X对Y没显著影响，关系不成立
看"系数"那一列的P值，不是看整体的P值。

看点4：系数正负
系数为正：X增大，Y增大（正相关）
系数为负：X增大，Y减小（负相关）
系数为0：X和Y无关

四、Minitab做多元回归分析

场景：用温度（X1）+压力（X2）+时间（X3）预测产品强度（Y）。

操作步骤：
和一元回归一样，只是"连续预测变量"选3列（C1温度、C2压力、C3时间）。

多元回归结果解读要点：
看每个X的P值，判断哪个X显著、哪个不显著。
看不显著的X，考虑从模型中剔除（用逐步回归）。

五、相关分析和回归分析的区别

很多人搞混相关分析和回归分析，这里讲清楚：

六、5个常见报错和排查

报错1：R²很低（<30%）
原因：X和Y关系不强，或者遗漏了重要X
解决：增加其他可能的X，做多元回归

报错2：P值≥0.05
原因：X对Y没显著影响，或样本量太小
解决：增加样本量重试，或换其他X

报错3：残差不正态
原因：数据有异常值，或关系不是线性的
解决：检查异常值，或试试非线性回归

报错4：多元回归有多重共线性
原因：X之间高度相关（比如温度和热量）
解决：剔除高度相关的X，保留1个

报错5：系数符号和预期相反
原因：多重共线性，或数据有问题
解决：检查X之间相关性，剔除共线性变量

七、3个常见误区

误区1：R²越高越好
错。R²过高（>95%）可能是过拟合，模型在新数据上预测不准。一般R² 70-90%比较合理。

误区2：相关等于因果
错。回归分析只证明X和Y有关系，不证明X导致Y。比如冰淇淋销量和溺水率正相关，但不代表吃冰淇淋导致溺水。

误区3：只看R²不看残差
错。R²高不代表模型没问题，还要看残差图是否随机分布。残差有规律说明模型遗漏了非线性关系。

八、考试考点

考点1：回归方程的含义
y=a+bx，b是系数，表示X每增加1，Y变化b。考选择题。

考点2：R²的解读
R²越接近1拟合越好。多元回归看调整后R²。考判断题。

考点3：P值的判断
P<0.05显著，P≥0.05不显著。考选择题。

考点4：相关和回归的区别
相关看关系强弱，回归建方程预测。r的平方=R²。考多选题。

回归分析不难，难的是没人带你把操作步骤和结果解读一次讲透。

记住4个看点：回归方程看预测、R²看拟合、P值看显著、系数看方向。按这个逻辑看结果，基本不会看错。

会了回归分析，后面的多元回归、逻辑回归，都是一样的逻辑：选变量→操作Minitab→看4个结果。区别只是变量多少和结果复杂度。

6skt.com的绿带课程里有完整的回归分析实操教学，每个步骤都有详细案例。有问题随时问我们的讲师，25年经验，帮你把回归分析学透。