假设我有一个 fMRI 实验，我有一个任务是测量响应时间，以及大脑中相应的“激活”。然后我让参与者完成这项任务。然后我通过测试或评估以及诸如智商、工作记忆、年龄和受教育年限等问题来衡量一些变量。
在 fMRI 实验中，我知道通常体素（像素的 3d fmri 表示的名称）在统计测试后保持“活跃”，而参与者完成一项任务时，说出这些体素所在的大脑区域是如何调节的认知任务。
现在，如果我想在多元线性回归测试中使用我测量的变量、智商、年龄、工作记忆和教育年限，并将大脑对此任务的激活作为响应变量或因变量，该怎么办。这告诉我什么？
简而言之，它会给你一个方程（相对于假定为正确方程的数据集的错误更少）。根据数据集，方程对每个变量都有常数值，这将提供一个变量与其他变量的比率。您可能会发现类似格式的方程式：
y = (b0 + b1.x1 + b2.x2 + b3.x3) + c
其中x1 、x2、x3可以是不同的特征（作为变量，可以是IQ、年龄、工作记忆等），而b0、b1、b2、b3是从给定数据集计算的常数。
如果您有其他3 个变量的准确值，您可以找到y或x1或x2或x3的准确值。
可以说，它是科幻电影中提供给机器人/机器人的数据集；那个 android/robot 将根据这个方程作为法律/事实/模式做出决定，并通过这个方程判断一个人的响应时间（如果所有其他变量都是已知的）或智商（如果所有其他变量都是已知的）等。
这里面也有很多细节。
注意：此逻辑仅适用于多元线性回归方法。