回归分析参数模型    回归分析（Regresion）是通过分析数据拟合因变量与自变量之间的关系式，来检验影响变量的显著程度。例如，利用多元线性回归，建立满意度模型方程“总体满意度=a+b1*产品满意度+b2*服务满意度+b3*价格满意度”。一般情况下，通过上述方程就可以分析各环节满意度对总体满意度的影响，相类似的，我们也可以分析一些细项对各环节满意度的影响。    因此，回归分析可以算得上是一种有效且易用的方法。但是，在使用回归分析方法时，一定要注意其技术本身所存在的一些局限性：    回归分析的局限性    首先，回归分析无法解决多重共线的问题。    多重共线指的是多个变量之间存在相关甚至高度相关，这种现象在实际调研中是经常出现的，但回归分析无法解决这一问题。例如，在一项关于乘客对乘车环境的满意度研究中，得到这样一个回归方程，Y=0.276+0.073*站内环境+0.053*乘车方便性-0.042*站内安全感+0.033*车内环境-0.023*乘车方便性+0.022*广播质量+……。这个方程有个很奇怪的地方，站内安全感和乘车方便性对总体满意度的影响是负向的，这是有悖于常理的结果，也可以说是不正确的结果。出现这样结果的主要原因是自变量之间存在高度相关，也就是所谓的多重共线性的问题。    其次，回归方法使用的前提假设条件是各观测变量不存在测量误差，即各观测变量都已被百分之百真实测量出来，而这一假设在测量理论和实际操作中都是不可能满足的。经典测量理论认为：测验分数＝真分数＋误差分数，误差分数是无法避免的。同样，在实际操作过程中，系统误差和随机误差也是人力和主观愿望所无法控制的，但回归方法由于其方法本身的局限无法解决这一问题。所以，如果测量误差越大，回归分析所得结果的误差也越大。