大家都知道两个变量进行相关性分析，最简单的是建立两个变量的散点图，通过计算R的平方来判定两个变量的相关性。但是实际的研究中，一个因变量是受到很多因素影响的。比如植被覆盖度不仅受到温度的影响，还有降水量和积温等影响，所以在分析相关性时简单建立两个变量的散点图是无法很好地分析他们的影响机制的。那么此时需要建立多个变量的多元线性回归方程。下面以植被覆盖度的案例来进行分析。
案例：年尺度的综合因素对植被覆盖度的影响分析
注： 因变量为植被覆盖度
自变量为温度、降水量和积温
工具：excel
（1） 将数据进行归一化处理：将多年的数据在excel中整理好。对数据进行归一化处理的目的是为了将数据都规范到【0，1】之间，那么归一化的方法可以参考——归一化的方法，本案例采用的是最大值最小值的归一化方法。
（2）进行线性回归：借助excel分析工具对数据进行多元线性回归。此步骤参考文章——借助excel工具进行线性多元回归方法，此博客已经将步骤写的很清晰，请大家认真参考。
（3）数据分析：进行多元线性回归模型进行分析的时候，主要看这些参数：Multiple R、R Square、标准误差、coefficient(系数)、P-value（P检验值）。
其中Multiple R、R Square范围为【0，1】值越大模型越好。标准误差值越小模型越好。P-value的值小于0.05证明，此变量与因变量具有相关性，若小于0.01则高度相关。那么此案例的多元线性模型方程为：
可以发现降水量对植被覆盖度的贡献较大，变量系数达到了0.9，且P值小于0.01，说明降水量与植被覆盖度高度相关。而温度和积温对植被覆盖度的贡献较小。
（4）总结：相比于建立散点图的单个因素的分析，多元线性回归可以综合考虑多个因素对变量的影响，故在影响因素分析方面具有优势。希望以上对大家有多帮助！
长路漫漫…
唯有坚持…
若有疑问可以一起交流~
