a:

Nas estatísticas, a regressão linear modela a relação entre uma variável dependente e uma ou mais variáveis ​​explicativas usando uma função linear. Se duas ou mais variáveis ​​explicativas tiverem uma relação linear com a variável dependente, a regressão é chamada de regressão linear múltipla. A regressão múltipla, por outro lado, é uma classe mais ampla de regressões que engloba regressões lineares e não-lineares com múltiplas variáveis ​​explicativas.

A análise de regressão é uma maneira comum de descobrir uma relação entre variáveis ​​dependentes e explicativas. No entanto, esse relacionamento estatístico não significa que as variáveis ​​explicativas causem a variável dependente; prefere falar de alguma associação significativa nos dados. A regressão linear tenta desenhar uma linha que se aproxima dos dados ao encontrar a inclinação e interceptação que definem a linha e minimizar os erros de regressão. No entanto, muitos relacionamentos em dados não seguem uma linha reta, então os estatísticos usam regressão não-linear em vez disso.

É raro que uma variável dependente seja explicada por uma única variável. Neste caso, um analista usa regressão múltipla, que tenta explicar a variável dependente usando mais de uma variável independente. Regressões múltiplas podem ser lineares e não-lineares.

Considere um analista que deseja estabelecer uma relação linear entre a variação diária nos preços de ações de uma empresa e outras variáveis ​​explicativas, como a variação diária no volume de negociação e a variação diária no retorno do mercado. Se ele executa uma regressão com a mudança diária nos preços das ações da empresa como uma variável dependente e a variação diária no volume de negociação como uma variável independente, isso seria um exemplo de uma regressão linear simples com uma variável explicativa. Se o analista adiciona a mudança diária nos retornos de mercado na regressão, seria uma regressão linear múltipla.