一元線性迴歸模型有很多實際用途。分為以下兩大類：
1.如果目標是預測或者對映，線性迴歸可以用來對觀測資料集的和X的值擬合出一個預測模型。當完成這樣一個模型以後，對於一個新增的X值，在沒有給定與它相配對的y的情況下，可以用這個擬合過的模型預測出一個y值。
2.給定一個變數y和一些變數X1,...,Xp，這些變數有可能與y相關，線性迴歸分析可以用來量化y與Xj之間相關性的強度，評估出與y不相關的Xj，並識別出哪些Xj的子集包含了關於y的冗餘資訊。
一元線性迴歸模型表示如下：
yt = b0 + b1 xt +ut （1） 上式表示變數yt 和xt之間的真實關係。其中yt 稱作被解釋變數（或相依變數、因變數），xt稱作解釋變數（或獨立變數、自變數），ut稱作隨機誤差項，b0稱作常數項（截距項），b1稱作迴歸係數。
在模型 (1) 中，xt是影響yt變化的重要解釋變數。b0和b1也稱作迴歸引數。這兩個量通常是未知的，需要估計。t表示序數。當t表示時間序數時，xt和yt稱為時間序列資料。當t表示非時間序數時，xt和yt稱為截面資料。ut則包括了除xt以外的影響yt變化的眾多微小因素。ut的變化是不可控的。上述模型可以分為兩部分。（1）b0 +b1 xt是非隨機部分；（2）ut是隨機部分。
一元線性迴歸模型有很多實際用途。分為以下兩大類：
1.如果目標是預測或者對映，線性迴歸可以用來對觀測資料集的和X的值擬合出一個預測模型。當完成這樣一個模型以後，對於一個新增的X值，在沒有給定與它相配對的y的情況下，可以用這個擬合過的模型預測出一個y值。
2.給定一個變數y和一些變數X1,...,Xp，這些變數有可能與y相關，線性迴歸分析可以用來量化y與Xj之間相關性的強度，評估出與y不相關的Xj，並識別出哪些Xj的子集包含了關於y的冗餘資訊。
一元線性迴歸模型表示如下：
yt = b0 + b1 xt +ut （1） 上式表示變數yt 和xt之間的真實關係。其中yt 稱作被解釋變數（或相依變數、因變數），xt稱作解釋變數（或獨立變數、自變數），ut稱作隨機誤差項，b0稱作常數項（截距項），b1稱作迴歸係數。
在模型 (1) 中，xt是影響yt變化的重要解釋變數。b0和b1也稱作迴歸引數。這兩個量通常是未知的，需要估計。t表示序數。當t表示時間序數時，xt和yt稱為時間序列資料。當t表示非時間序數時，xt和yt稱為截面資料。ut則包括了除xt以外的影響yt變化的眾多微小因素。ut的變化是不可控的。上述模型可以分為兩部分。（1）b0 +b1 xt是非隨機部分；（2）ut是隨機部分。