包括斜率和截距两个部分。
1. 首先，一元线性回归是通过最小二乘法来拟合一个直线，使得观测数据点与该直线之间的误差平方和最小化。
回归方程的形式为：y = b0 + b1*x，其中b0为截距，b1为斜率。
2. 推算斜率的估计量b1，需要计算样本数据的协方差和x的样本方差。
具体而言，b1 = Cov(x, y) / Var(x)，即样本x与y的协方差除以x的样本方差。
3. 推算截距的估计量b0，可以通过样本均值和推算的斜率估计量来计算。
具体而言，b0 = mean(y) - b1 * mean(x)，即y的样本均值减去斜率估计量与x的样本均值的乘积。
因此，“”需要通过协方差、样本均值和样本方差进行计算。
1）计算残差平方和Q=∑(y-y*)^2和∑y^2，其中，y代表的是实测值，y*代表的是预测值； （2）拟合度指标RNew=1-(Q/∑y^2)^(1/2) 对线性方程： R^2==∑(y预测-y)^2/==∑(y实际-y)^2，y是平均数。如果R2=0.775，则说明变量y的变异中有77.5％是由变量X引起的。当R2＝1时，表示所有的观测点全部落在回归直线上。当R2=0时，表示自变量与因变量无线性关系。 拟合优度是指回归直线对观测值的拟合程度。度量拟合优度的统计量是可决系数（亦称确定系数）R^2。R^2的取值范围是[0，1]。R^2的值越接近1，说明回归直线对观测值的拟合程度越好；反之，R^2的值越接近0，说明回归直线对观测值的拟合程度越差。
