[求助]为何回归分析的结果是确定的函数关系

误差项并非是回归的特征，有些回归方程是没有误差项的。
如果回归方程标准模型中含有误差ε,该误差ε是常数.而我们在平常使用因变量Y的值的时候是使用其期望E(Y).而对于误差常数ε其期望为0  。所以并不是随机误差项没有了，而是等于0。

随机误差项是随机变量，服从均值为0方差为常数的分布，其实平时的得出的Y准确的说是Y的均值，也就是Y的期望，又由于随机误差项的均值为0，所以最终得出的方程可以忽略误差项。

回归分析：是指对具有相关关系的现象，根据其相关关系的具体形态，选择一个合适的数学模型（称为回归方程式），用来近似地表达变量间的平均变化关系的一种统计分析方法。数学模型不是唯一的，只是合适的，因此会出现随机误差项。

所谓的回归分析就是研究变量之间的非确定关系，即变量之间的相关关系，而这种关系表现为这些变量之间的一定的依赖关系，他之间的关系不能精确地用函数表示。例如：人的身高与体重之间有一定的关系，知道一个人的身高可以大致估计出他的体重，但不能计算出体重的精确值，其原因在于人有较大的个体差异。所以回归分析只是处理变量之间相关关系的一种统计方法和技术。人们把对一些现象的研究的观察值按其发展趋势汇成一条直线，只是近似的直线，至于随机变量项的引入，只是更好的借助数学关系把这种趋势表现出来，只是一种方法，没有太大的是指意义，所以最终的回归结果可以“抹掉”

我们日常应用的Y其实准确的说应该是E(Y).也就是Y的期望，因为Y本身是个随机变量，Y是随机变量的原因是理论假设中随机误差项是随机变量，且独立同分布于标准正态分布，期望为0，方差为1，所以在求E(Y）时，根据期望公式，就可以忽略误差项。
然后在此基础上，在根据LSE或MLE来求系数。

回归结果中的随机误差项,在一元线性回归和多元线性回归中，都是假设残差均值是0的.这是前提。
所以在线性回归中，残差是可以直接等于0的，并不是所谓的“抹掉”。
同6楼观点“我们日常应用的Y其实准确的说应该是E(Y).也就是Y的期望，因为Y本身是个随机变量，Y是随机变量的原因是理论假设中随机误差项是随机变量，且独立同分布于标准正态分布，期望为0，方差为1，所以在求E(Y）时，根据期望公式，就可以忽略误差项。”

因为我们对其进行回归分析的时候,我们是假设他的残差均值为0,另外,随机误差项对变量的影响很小,可以忽略不计.

一般应用的Y准确的说应该是E(Y).也就是Y的期望，因为Y本身是个随机变量，Y是随机变量的原因是理论假设中随机误差项是随机变量，且独立同分布于标准正态分布，期望为0，方差为1，所以在求E(Y）时，根据期望公式，就可以忽略误差项。
{:2_31:}

标准型中的确有误差ε,但一般因变量Y的值其实是E(Y)既是一种期望.而对于误差常的其期望为0,所以才会被“抹掉”。

对于为何最后的回归结果可以“抹掉”这个问题，我们可以这样分析：回归分析是近似地表达出变量之间平均变化关系，并且选择一个合适的数学模型。通过对标准模型中的系数进行似然估计，最终结果证明随机误差项为0，所以可以去掉。从而最终的关系式能够表达变量之间的关系。