摘要：我们运用回归分析法时候容易犯错误，笔者从相关分析和回归分析关系、相关分析的两个变量关系的角度分析了回归分析法。
关键词：回归分析；相关分析；前提；两个变量；对等关系；处理不当
我们应用回归分析法的时候总是回归分析和相关关系的关系处理不好，没有相关分析的前提下直接做回归分析，结果影响结果。还有相关分析和回归分析的两个变量之间的关系处理不好导致出错。
相关分析是回归分析的前提和基础，如果缺少相关分析，也就缺少了相关密切程度的判断，就不能进行回归分析。
相关分析的时候两个变量是对等关系，两个变量可以做自变量也可以做因变量，而回归分析时候两个变量不是对等关系的，必须确定哪个是自变量，哪个是因变量。
从相关系数的公式，能看出两个变量x和y互换位置不会影响相关系数的大小。下面笔者用excel来分析一下。
（假设表1的数据在excel里面所在的位置为A1：A10和B1：B10）
根据表1 的数据计算相关系数时候我们可以通过在excel里点击空单元格输入=CORREL（A1：A10，B1：B10），算出来相关系数为0.9695，同样点击另一个单元格输入=CORREL（B1：B10，A1：A10）（或者excel里面点击插入--函数--统计函数--点击函数CORREL），算出来的相关系数还是等于0.9685.也就是说在excel里面，把自变量x和因变量y位置调换不影响相关系数，所以说相关系数的两个变量是对等的。为什么说相关分析是回归分析的前提和基础呢？下面笔者从几个方面举例子来说明一下。
根据表1的数据，可以计算出居民总储蓄和居民消费的相关系数为0.9685，居民总储蓄和消费是高度相关的（从图1上看出相关性很明显），可以做回归预测分析。
具体步骤：先点击空白单元格，然后点击插入--函数---统计函数--TREND对话框，如图2所示
通过回归预测当居民总储蓄为49000亿元的时候居民消费能达到了32185.54亿元。
但是有时候如果两个变量不高度相关的话无法进行回归预测。下面笔者举例说明一下。
某校某专业每年招到学生人数
