转 https://blog.csdn.net/xiangmin_meng/article/details/22402545
这里以一元线性回归为例。
对于单因素方差分析，一共有两个变量，一个是定类变量/因素的水平（X），一个是定量变量（Y）。比如，比较3种植物的花鄂长度差异，植物就是定类变量，有3个取值；花萼长度就是定量变量。【带着思考：前一个变量为什么用X？后一个变量为什么用Y？这个跟回归表达式有关，也是我琢磨了很久才反应过来，才记牢固】

再看一下线性回归的表达式，也是两个变量，一个是自变量(X)，一个是因变量(Y)。比如体重对身高的影响。对于线性回归来讲，自变量和因变量都是连续型的。

如果将线性回归中的两个变量与方差分析中的两个变量比较一下，可以发现他们是一致的。方差分析中的定量变量(Y)实际上就是线性回归中的因变量(Y)，方差分析中的定类变量(X)就是线性回归中的自变量(X)。这两个方法的目的都是为了看自变量（定类变量）对因变量（定量变量）的影响。如上面所说的，目的就是为了看药物对血压的影响，体重对肺活量的影响。
比较一下，可以发现，线性回归和方差分析的结果变量是一样的，都是连续型资料，而自变量就不一样了，方差分析中是定量变量，而线性回归中是定量变量。但他们都可以统一到一个大的范畴中，即一般线性模型。
其实如果把方差分析的形式改一下，大家可能就更容易理解了。一般的方差分析的数据大都列成这样的形式： | A | B | C | | —- | —- | —- | | 12 | 16 | 32 | | 14 | 17 | 23 | | 15 | 17 | 28 |

如果A、B、C分别用1、2、3来表示，列成下面的格式： | y | x | | —- | —- | | 12 | 1 | | 14 | 1 | | 15 | 1 | | 16 | 2 | | 17 | 2 | | 17 | 2 | | 32 | 3 | | 23 | 3 | | 28 | 3 |

怎么样，这种形式跟线性回归的形式差不多了吧？y就是因变量，x就是自变量。唯一与线性回归不同的地方是：线性回归中的x和y是一一对应的，而这里的x和y是一对多的，即1个x对应多个y值，但这不影响分析。其实即使在线性回归中，偶尔也会出现一对多的现象的。比如体重对肺活量的影响，如果有好几个人体重相同而肺活量不同，就出现了一对多的现象。这就跟方差分析更像了。

最后加点总结性的、理论性的东西，一般线性模型的形式大致可以这样：
y=α+βx+ε，

这个其实大家都应该很熟悉了，在统计教材中的线性回归章节中一般都有这个公式。这里的y就是因变量，x就是自变量，但是这里需要注意的就是，x是分类变量的时候，就变成了方差分析的形式了，当x是连续型变量的时候，就变成了线性回归的形式了。

总之，正如哲学中内容与形式的原理，一般线性模型是内容，x的变化则显示了其不同的形式，但无论如何，它们的内容都是一般线性模型。