建立过程输入与输出的数学关系，实现可预测的质量
回归分析寻找响应变量 Y（质量特性）与一个或多个预测变量 X（工艺参数）之间的函数关系 Y = f(X)。它把质量管理从"被动等结果"提升到"主动预测与调优"。
相比 ANOVA 回答"某因子有无差异"，回归回答"改变某参数一个单位，质量特性会变化多少、在多大范围内可信"——更贴近工程调参的决策需求。
| 方法 | 适用场景 | 质量实例 |
|---|---|---|
| 简单线性回归 | 一个预测变量，线性关系 | 固化温度 → 屈服强度 |
| 多元线性回归 | 多个预测变量 | 温度/压力/保压时间 → 尺寸 |
| 多项式回归 | 存在曲率/拐点 | 参数存在最优区间而非单调 |
| 逻辑回归 | 二分类结果 | 不良/合格、是否失效的概率 |
| 逐步回归 | 变量较多需筛选 | 从大量参数中选关键因子 |
Y 必须是连续可测的质量特性；X 为可控工艺/物料参数。数据来自历史生产记录或 DOE 实验。
先做散点图矩阵与相关性分析，观察线性性、异常值、共线性（VIF），必要时做数据变换。
关注 R²（变异解释比例）与调整 R²；R 值（回归系数）>0.7 才算强相关可用。
整体看 F 检验 p 值，单个变量看 t 检验 p 值与其标准化系数，剔除不显著项；做残差分析（正态/等方差/独立/无模式）确认前提。
由回归方程预测目标质量下的最佳参数组合，并在区间内操作（预测区间/置信区间）。响应曲面 + 优化器可求最优解。
重要忠告：相关不等于因果。回归揭示了相关关系，因果需结合实验（DOE）或机理论证才可信。黑带既用回归找线索，也用实验证因果。
某电子厂焊接强度波动大，采集 60 组历史数据做多元回归，得到 R²=0.82，显著项为焊接温度与时间且均正相关，交互项不显著。回归方程可直接预测不同参数下的强度，据此设定工艺窗口。结合 DOE 验证后，焊接强度 Cpk 从 0.8 提升至 1.4，且每次换型不必反复试错。
1. 数据质量第一：样本量至少为变量数的 10 倍以上，异常值先识别再审慎处理。
2. 警惕共线性：X 强相关会导致系数失真，用 VIF < 10 把关并考虑逐步回归。
3. 残差是镜子：模型是否合格，看残差图而非只看 R²。
4. 区间即风险：预测输出时带预测区间，让产线知道"预计范围"而非单点值。
5. 与 DOE 打通：回归 + 响应曲面是黑带优化工艺参数的标准组合拳。
回归分析用数学模型刻画"输入参数→质量特性"的关系，让质量从被动检验走向主动预测与参数调优，是黑带优化工艺的核心武器。