Eine Vorhersage ist meist so aufgebaut: Es gibt eine Zielvariable, die man vorhersagen möchte und es gibt mehrere vorhersagende Variablen. Die vorherzusagende Variable heißt sinnigerweise meist Ziel- oder abhängige Variable, die Vorhersagenden nennt man Prädiktoren.

Ein Beispiel: Man möchte die Temperaturänderung vorhersagen (Zielvariable). Als Prädiktoren zählt man größere Wolken und die Sonnenstunden am Tag. Diese Daten sehen so aus

Wolkenzahl	Sonnenstunden	Temperatur- Veränderung
10	5	-5
8	10	+5
9	8	-1
9	7	-2
9	2	-7
9	3	-6
9	2	-7
9	4	-5

Ich würde empfehlen, die Regression mit dem R zu rechnen. Kopieren Sie diese Zeilen in Ihr R-Studio.

data = data.frame(wolken = c(5, 10, 8, 7, 2, 3, 2, 4), sonnenstunden = c(10,8,9,9,9,9,9,9), temperaturaenderung = c(-2,4,0,3,-5,-6,-7,-5))
reg = lm(temperaturaenderung ~ wolken + sonnenstunden, data = data)
summary(reg)

Nur wenige Punkte in der Ausgabe sind für die Interpretation wichtig (nur zwei):

	Estimate	Std. Error	t value	Pr(>|t|)
wolken	1.3695	0.2471	5.542	0.00263 **
sonnenstunden	0.4238	1.3633	0.311	0.76847
F-statistic:	18.4	on 2 and 5 DF	p-value:	0.004946

An der Spalte "Pr(>|t|)" sieht man (wenn p unter 0.05 liegt), dass nur ein Prädiktor ein signifikanter ist (die Wolkenzahl).
Das Gesamtmodell ist (letzte Zeile der Ausgabe) ist mit p = 0.004946 ebenfalls signifikant, d.h. insgesamt funktioniert eine Vorhersage.