在统计分析中，变量之间的相关关系可以用相关系数进行反映，但在相关系数分析中，变量之间的关系仅能体现为相关的方向和程度，如是正相关还是反相关，是高度相关还是弱相关，尽管这已经能够简单描述出变量之间的关系，但对于深层次挖掘变量之间的关系而言，还是不够的。
我们在相关分析中，常不去区分变量之间的因果属性，仅仅是将两个变量看作是对等的，而在实际工作中，常需要反映出现象之间的联系机制，也即当给出某一影响变量的数值时，另一受到影响的变量将会发生怎样的变化，本质而言也即现象之间的因果关系，或是影响与被影响关系，这对于很多经济管理问题的解决具有重要意义。
如在宏观经济管理中，欲刺激未来若干年的经济发展，常采用一些积极性的财政政策或货币政策，若将经济发展用 GDP 增长率变量予以表征，而将影响这一变量的若干因素表征为利率、货币供应量、税率等变量，那么这些变量是怎样影响 GDP 增长率这一变量的，其弹性系数有多大等，均需要通过确定一个相关的数学表达式予以反映，以便于进行估计或预测。
由以上分析可知，相关关系并不能反映出变量之间的因果联系机制，也即当一个变量发生变化时，另一变量将变动多大的程度，这一变动程度可以称为边际效应或弹性效应，这在微观经济学中已经学习过。线性回归分析的目的便是在相关分析的基础上，在线性相关程度较强的变量所形成的散点图中拟合一条直线，该直线可以反映出所有坐标点的总体走势。
例如，有一组学生的身高 x (cm)与体重 y (kg)的散点图，如图 6.7 所示，可用一条直线拟合各散点的总体走势，也即向右上方倾斜。
图6.7 身高与体重散点图
有一组公司的成本x (万元)和利润y (万元)的散点图，如图 6.8 所示，可用一条直线拟合各散点的总体走势，也即向右下方倾斜。
图6.8 成本与利润散点图
散点图中的直线在统计学中叫作回归直线，其在坐标图中兼具斜率和截距，因此，表现这条直线的数学公式在统计学中叫作直线回归方程。
回归这一统计术语，其源于英国遗传学家高尔登（Galton）所做的豌豆试验。高尔登被誉为现代回归和相关技术的创始人。
1875 年，他利用豌豆实验来确定尺寸的遗传规律。他选了7 组不同尺寸的豌豆，并说服他在英国不同地区的朋友每一组种植 10 粒种子，最后把原始的豌豆种子（父代）与新长的豌豆种子（子代）进行尺寸比较。
当结果被绘制出来后，他发现并非每一代都与父代一样，不同的是，尺寸小的豌豆会得到更大的子代，而尺寸大的豌豆却得到较小的子代。
高尔登把这一现象叫作“返祖”（趋向于祖先的某种平均类型），后来又称之为“向平均回归”。人们发现它的应用很广，而不仅限于从一代到下一代豌豆大小问题。
