回归预测考虑了现象间的联系，也注意了现象的变化趋势，这对提高预测的准确度是有益的。然而，它不便于及时更新所用资料，每增加或减少一个新观察值，整个回归模型就要重新计算。因此，利用回归模型具体进行预测时应注意如下问题。

（1）对预测对象进行定性分析。建立回归方程前，首先应对预测对象进行定性分析，以判定现象之间是否确实存在因果关系，如定性分析出错，则所建立的模型将失去意义。

（2）对回归系数进行分析。回归模型中的回归系数b1，b2，…，bp表示自变量x1，x2，…，xp对因变量y 的影响方向和影响程度，如【例9-14】 中的模型。

b1＝0.121 28 ＞0，表明卫生陶瓷需求量随竣工住宅面积的增加而增加；b2＝58.487 6 ＞0，表明卫生陶瓷需求量也随医疗机构建筑面积的增加而增加。本例中，这种解释符合实际意义。

如果回归系数bi（i＝1，2，…，p）的符号与实际不符，如b1＜0，b2＜0，那么，就有理由怀疑所求模型的正确性，必须重新构建方程。(www.daowen.com)

（3）注意样本指标的结构变形。回归模型的选择是根据样本资料确定的，模型中的参数也是根据样本资料计算出来的。因此，回归模型只能说明变量在一定范围内的因果关系。超过这一范围后，不仅模型的函数形式可能发生变化，如由直线变为曲线，模型中的参数值也可能不再符合实际。如果这时仍用原模型进行外推预测就会出现较大偏差，甚至得出完全错误的结论。

（4）注意因变量的滞后变动。实践证明，因变量与自变量的变动并不是同时发生的，一般两者之间存在或长或短的时间差，通常是自变量变动在先，因变量变动在后。例如，存贷利率变化后，间隔一段时期才有储蓄额、基本建设投资额的变化。因此，进行回归预测还要考虑现象的时间差。

（5）注意变量间的非线性关系。线性回归分析法在预测中有着很重要的应用，但是客观事物之间并不一定都呈线性关系，在许多情况下，非线性回归模型更为适用。一些非线性形式的回归模型经过适当变换，可以成为线性形式，如二次抛物线回归模型又如，指数曲线回归模型在上面第一个模型中，若令x1＝x，x2＝x2，则可直接将其线性化；而对第二个模型两边去对数后也可将其线性化。对于线性化后的模型可采用最小二乘法估计参数。而对于不可线性化的非线性回归模型，其参数估计可采用其他适用的方法，在此从略。