作者：黄天元，复旦大学博士在读，热爱数据科学与开源工具（R），致力于利用数据科学迅速积累行业经验优势和科学知识发现，涉猎内容包括但不限于信息计量、机器学习、数据可视化、应用统计建模、知识图谱等，著有《R语言数据高效处理指南》（《R语言数据高效处理指南》(黄天元)【摘要 书评 试读】- 京东图书，《R语言数据高效处理指南》(黄天元)【简介_书评_在线阅读】 - 当当图书）。知乎专栏：R语言数据挖掘。邮箱：huang.tian-yuan@qq.com.欢迎合作交流。
线性回归是个非常简单又重要的基本方法，这里希望总结一些所得的知识，详细的原理解读和实践请移步原文：
https://otexts.com/fpp2/regression.htmlTake-home message
1、checkresiduals函数可以对拟合模型进行诊断，对其残差进行估计，看是否为白噪声；
2、部分离群值对回归结果有很大影响，应该考虑先去除离群点；
3、统计显著也不一定具备因果关系，可能是两者同时受到同一因素的影响；甚至，两者没有任何关系。因此事物背后的真实联系永远是第一位的，统计回归只是尝试证伪；
4、特征构造：tslm函数可以快速提取trend和season因子，其中后者以哑变量（dummy variables）形式存在。获得season因子的解读后，一般以第一季度为基准，后面的参数能够告诉我们如果是第n季度那么会比第一季度多或少多少个单位的因变量；季节性因子可以用傅里叶序列取代，此外，延时序列（自身前t时刻的数值）也能够作为优秀的特征进行补充；
5、CV函数能够获得模型评价的一些参数，包括AIC、BIC、矫正R方等。一般可以使用AICc来对模型的效果进行判断，其值越小模型效果越好；这个函数计算所得的CV值实质是使用
6、可以通过对自变量和因变量的非线性转化，来构建非线性回归；
7、遇到共线性的问题，可以使用最佳子集法（http://www.sthda.com/english/articles/37-model-selection-essentials-in-r/155-best-subsets-regression-essentials-in-r/）或逐步回归（stepwise）进行处理，两个方法的比较可见：Guide to Stepwise Regression and Best Subsets Regression - Statistics By Jim。
最后，回归中应该注意的事项还有一个好的帖子：
https://statisticsbyjim.com/regression/regression-analysis-tips/原文作者：；如有侵权，请联系管理员删除。
