你可能听说过比萨斜塔的故事。在建造过程中，塔开始逐渐向一边倾斜。

假设吉诺（ Gino），其中一位工程师，想预测塔的未来倾斜度。他想知道倾斜度是否会增加，到明年会增加多少。吉诺的唯一信息是下面的表格几种，其中包含了每年以十分之一毫米为单位的倾斜度。

为了更好地分析这些数据，吉诺绘制了以下散点图。

• 图1：散点图

散点图以图形方式直观地显示了两个定量变量之间的关系。有时一个变量取决于另一个变量。在这种情况下，自变量被放在横轴上，因变量被放在纵轴上。对于比萨斜塔，倾斜度取决于年份。因此，年份被放在横轴上，倾斜度被放在纵轴上。

吉诺注意到，在看图时，这些数据点似乎在一条具有正斜率的直线上。

当一组数据点呈上升趋势时的时候，变量之间呈正相关。当一组数据点呈下降趋势时，变量之间呈负相关。另外，如果数据点基本在一条直线或某条曲线上，那么变量之间就是强相关。如果数据点不明显地在一条直线或某条曲线上，那么变量之间就是弱相关（见图2.a）。也有可能根本就没有任何相关性（见图2.b）。

• 图2：弱相关和无相关

吉诺的目标是用他的图（见图1）来预测塔的未来倾斜度。他可以通过计算最适合给定数据点的直线的函数来做到这一点。换句话说，他可以用线性回归技术来实现。

相关系数

在谈论线性回归之前，我首先想谈谈相关系数r。它不仅可以告诉我们是否值得做线性回归。它在线性回归本身也起着非常重要的作用。

相关系数r显示了一个线性关系的强度和方向（正或负）。当两个变量之间存在正向相关时，r为正。当变量之间的关系为负相关时，r也为负数。如果数据点正好描述了一条直线，r等于1或-1。当完全没有相关关系时，r将等于零。如果某组数据点的相关系数相当低（0.5>r>-0.5），那么线性回归可能不会给我们带来非常可信的结果。只有当r高于0.5或低于-0.5时才值得做线性回归。

为了计算r，我们可以使用皮尔逊公式（Pearson’s formula）：

在这个公式中，n是数据点的数量，x_i是数据点i的x坐标，x（x上有一横，如果没有显示）是所有x坐标的平均值，y_i是数据点i的y坐标，（y上有一横）是所有y坐标的平均值，s_x是所有x坐标的标准差和s_y是所有y坐标的标准差。标准差计算公式为：

基本上，数据点沿x轴/y轴越分散，s_x/s_y越大。

顺便提一下，皮尔逊公式有很多形式，但对于一组给有定的点，公式的输出应该总是相同的。

皮尔逊公式背后的逻辑

虽几种然皮尔逊公式一开始可能有点让人不知所措，但它背后的逻辑并不难。比方说，给定一组数据点，我们进行某种计算，如果数据点描述的是正斜率，就得出一个正值，如果是负斜率，就得出一个负值。为了做到这一点，我们可以将点集分成四个区域（象限），标准差用所有x值的平均值（x=x）和所有y值的平均值（y=）来划分象限。

• 图3：带有象限的散点图

当点之间存在正相关关系时（点的集合是上升的），大部分的点将在象限I和III。在负相关的情况下，大部分的点会在第二象限和第四象限。知道了这一点，我们可以给第一象限或第三象限的每个点分配一个正值（ 1），给第二象限或第四象限的每个点分配一个负值（-1）。然后，所有这些正负值的总和将在正相关时给我们一个正的结果，在负相关时给我们一个负的结果。

尽管这公式种方法可能会给我们提供关于斜率符号的信息，但它并没有提供关于相关性本身的任何信息。例如，图4.a中所有分配值之和与图4.b相同（都是 6）。然而，这两张图之间的相关性却有很大差别。

• 图4：弱相关和强相关

如果研究图4.a和图4.b之间的差异，你可能会意识到，虽然点的分布非常相似，但每个点到轴的距离不同。如果很多点都（只）靠近其中一个轴，那么相关性就会很弱。因此，在我们的方法中，我们要给那些离两个轴都比较远的点一个较高的分数，而给那些接近其中一个轴的点一个较低的分数。

用x坐标减去所有x坐标的平均值（x_i-x）来计算一个点到x轴的距离，同理可计算到y轴的距离。由于距离不可能是负数，我们通常会取这个差值的绝对值。但是，与x轴和y轴的 "距离 "的符号可以告诉我们，一个点是位于哪个象限。

例如，当一个点位于第一象限时，（x_i-x）和（y_i-）都是正数。如果一个点位于第二象限，（x_i-x）将是负的，（y_i-）是正的。位于第三象限的点都是负的。

• 图5：现象分布规律

当取每一个点到坐标轴的x和y的距离的乘积时，会得到一些非常重要的“东西”。

当一个点位于奇数象限时，这个乘积是正的（两个项的符号相同）；当一个点位于偶数象限时，这个乘积是负的（两个项的符号不同）。如果把所有这些正负值相加，如果大多数点位于偶数象限，那么结果将是负的，如果大多数点位于奇数象限，则是正的。

由于在正相关的情况下，大多数点位计算于第一和第三象限，在负相关的情况下，在第二和第四象限，我们也可以用这种方法来计算数据点之间关系的符号。但我们的目标不仅仅是计算符号，而是描述相关性的强度。

如果很多点都接近其中一个轴，那么相关性将非常弱。因此，当一个点靠近其中一个轴时，公式的输出应该非常小，而如果一个点离两个轴都比较远，则输出会更大。让我们看看新公式是否符合这一要求。

当一个点靠近其中一个轴时，（x_i-x）或（y_i-）非常小。因此，这个乘积的结果也会比较小。但是，当一个点离两个轴更远时，（x_i-x）和（y_i-）都会很大。相应地，乘积也会很大。

我们可以计算图6.a和图6.b的相关系数。

• 图6

对于图6.a，我们发现如下：

符号解释：

• ⇔：当且仅当
• ∧：和

对于图6.b，我们发现这样的情况。

新公式似乎很有效。在这两种情况下，系数的符号都是正的，确实是这样的（变量之间的关系在这两种情况下都是正相关的），而且当两点距离较近时，输出值较大（85.11>82.875）。

假设：原来图6.a和图6.b中用米作为轴上的单位。现在把这个单位改为毫米，相关系数会突然大很多。这是因为点的X坐标现在会大一千倍。但是，这不应该发生，因为这些点之间的相关有性实际上并没有改变。

这就需要标准差了。因为标准差表示的是点有多么分散。把（x_i-x）与所有x坐标的标准差s_x相除，就得到了该点的所谓z值。这个值表示的是点离平均数x有多少标准差。例如，如果平均数是x=5，标准差sₓ=3，而点的x坐标x_i=11，z就等于2。

因为标准差的符号总是正的，z的符号只取决于x_i-x的符号。这意味着我们也可以使用x_i和计算y_的z值的乘积来计算变量之间关系的符号。

现在，真正的问题是：Z是否与轴的单位无关？Z并不表示一个点离中心有多远，而是表示它离中心有多少个标准差。

如果把点的坐标乘以一千，标准差也会大一千倍。比如说：

因为标准差与坐标轴具有相同的 "单位"，一个点离中心的标准差的数始终保持不变。因此，Z与坐标轴的单位无关。

因此，使用z-score使公式与使用的单位无关。新公式现在看起来像这样：

使用这个公式，图6.a的相关系数等于10.413，图6.b的相关系数为13.93。

这个公式仍有一个问题。该公的式的输出取决于数据点的数量。例如，假设在图6.a中增加了一个x坐标为13、y坐标为8的点，这个点会削弱相关性，因为它根本不在一条可能的直线附近。但是，用目前的公式，我们的相关系数甚至会略有增加。

为了解决这个问题，我们可以从求和中取所有项的平均值。由于我们已经在计算所有的项，只需要再除以点的数量，即n。确切地说，是n-1，这方面的原因超出了本文的讨论范围，只需知道在这种情况下，用n-1除所有项的平均值即可。最终公式便是皮尔逊公式了：

现在，对于图6.a，r = 0.69；对于图6.b，r = 0.93。

最小二乘法

在本文的开头，我向大家介绍了吉诺。吉诺想从散点图中计算出最适合给定数据点的直线的函数。正如我前面提到的，这个函数的计算被称为线性回归。

这种回归背后的方法被称为最小二乘法。

看一下下面的图：

• 图7：线性回归

在这个图上，我们称每个点的y坐标为y_i，直线上与y_i对应的纵坐标为_i。y_i称为y的观测值，_i称为y的预测值。

当画线时，我们希望从每一个点到线的y距离越小越好。这个的距离公式等于观察值和预测值之间的差。

这个方程的问题是，当_i大于y_i时，d是负的。而我们只想对正值进行处理。为了解决这个问题，我们可以简单地将差值平方。

这就是 "最小二乘法 "这个名字的由来。

• 图8：最小二乘法。

回归线现在是所有d_i之和最小的那条直线。

这条线的函数如下：

这可以通过数学方法或计算机模拟来证明。

吉诺回归（Gino’s regression）

现在我们知道如标准差何计算线性回归了。让我们试着计算一下1888年比萨斜塔的预期倾斜度。下面是吉诺获取的数据：

对于相关系数，计算得出r = 0.995，这是一个非常高的系数。线性回归肯定是有效的。对于函数，我们计算如下：

为了确保没有犯任何错误，可以在我们的散点图上画出这条线。

看起来很不错吧？

现在可以用这条线来预测未来的倾斜度。

对于1988年，我们预测的倾斜度为767.8。

最后

这篇文章的目的不是让你记住很多公式，也不是让你能够徒手计算出线性回归的结果。我主要是想展示某个公式背后的思考过程。线性回归几乎总是用计算器或电脑来完成。