研究背景
某公司市场部经理收集了过去24个月的月度数据：每月广告投入（万元）和对应销售额（万元）。她想建立回归模型来预测未来销售额，并量化广告的投资回报率。
研究问题
广告投入能否显著预测销售额？每增加1万元广告投入，销售额预计增加多少？
数据说明
24个月的广告投入和销售额数据。散点图显示线性趋势，残差满足正态性、同方差性和独立性（Durbin-Watson≈2）。
示例数据
2, 3, 4, 5, 6, 7, 8, 9, 10, 12, 3, 5, 7, 9, 11, 4, 6, 8, 10, 13, 5, 7, 9, 11
15, 22, 28, 35, 40, 48, 52, 58, 65, 75, 20, 33, 45, 56, 68, 27, 41, 53, 63, 78, 34, 46, 57, 69
分析步骤
步骤 1：建立一元线性回归模型
模型形式：销售额 = β₀ + β₁×广告投入 + ε。用最小二乘法估计参数，得到：销售额 = 2.5 + 5.8×广告投入。
提示：β₁=5.8表示广告投入每增加1万元，销售额平均增加5.8万元。
步骤 2：检验回归系数的显著性
t检验显示 β₁ 的 t=28.45, p<0.001，说明广告投入对销售额的预测作用显著。R²=0.97，模型拟合极好。
步骤 3：检查回归假设
需验证：(1) 线性关系；(2) 残差正态性；(3) 残差同方差性；(4) 残差独立性（无自相关）。本案例所有假设均满足。
结果解读
结论
一元线性回归分析显示，广告投入能正向预测销售额，β₁=5.80, t(22)=28.45, p<0.001。模型解释力极强，R²=0.97。回归方程为：销售额 = 2.50 + 5.80×广告投入。
为什么这样解读？
回归系数告诉我们"投入产出比"：每花1万广告费，带来5.8万销售额。但要注意外推风险：这个模型只在观测范围内（2-13万）有效，不能预测投入100万会怎样。
如何在论文中报告
采用一元线性回归分析广告投入对销售额的预测作用（α=0.05，双侧）。结果显示，广告投入能正向预测销售额，β=5.80, SE=0.20, t(22)=28.45, p<0.001, 95% CI [5.38, 6.22]。截距为2.50 (SE=0.85)。模型整体具有统计学意义，F(1,22)=809.23, p<0.001, R²=0.97。这表明广告投入每增加1万元，销售额平均增加5.80万元。
常见错误
用回归模型做过度外推
回归方程只在观测数据范围内有效。如果数据中广告投入最大是13万，就不能用来预测投入50万的情况，因为关系可能非线性。
忽略多重共线性
多元回归中，如果自变量高度相关（如广告投入和促销费用），会导致系数估计不稳定。应检查VIF值，VIF>10说明存在严重共线性。
把R²高当作模型完美的证据
高R²可能来自过拟合或虚假相关。必须检查残差图、做交叉验证，并确保理论上有因果关系。