線形回帰とは、目的変数と説明変数の関係を「直線（一次式）」で近似し、予測や要因の影響度の把握に使う回帰分析の手法です。目的変数が連続値で、説明変数が増減したときに目的変数がどの方向にどれだけ動くかを、係数として表現します。
線形回帰は、結果の解釈が比較的しやすい点が利点です。たとえば係数が正なら「説明変数が増えると目的変数が増えやすい」傾向、負なら「減りやすい」傾向を示します。ただし、相関の強い説明変数が混ざると係数が不安定になり、線形の前提が合わない場合は当てはまりが悪くなる点に注意が必要でしょう。
具体例として、売上を目的変数にし、広告費や訪問数、単価などを説明変数に置いて、売上変動の要因を分解します。SaaSでは、継続率を目的変数にし、オンボーディング完了の有無や利用回数などを説明変数に入れて傾向を確認します。運用では、外れ値や欠損の扱い、残差の確認、学習データと検証データの分割を行い、モデルが偶然に合わせ込んでいないかを確かめることが重要です。
