在您的问题中，自变量（温度类数据）实际上可以取任何值，这表明它们理论上是连续的。然而，在实验设计中，您可能只选取了几个特定的数值点进行测试，因此在实际操作上，这些自变量看起来更像是离散的。但重要的是理解其背后的性质——如果可以任意选择更细小的间隔值来测量温度，那么它应该被视为连续变量。

至于能否做多元线性回归，答案是肯定的。即使从散点图上看不出明显的趋势，多元线性回归分析仍然能够尝试找出自变量和因变量之间的潜在关系。在进行回归分析之前，建议您先检查数据是否满足以下基本假设：

1. 线性：自变量与因变量之间存在线性关系。
2. 正态性：残差（预测值与实际值之差）应服从正态分布。
3. 独立性：每个观测值应该是独立的，没有观测数据间的相关性。
4. 等方差性：对于不同的自变量值，因变量的误差具有相同的方差。

如果这些假设大部分得到满足，您可以进行多元线性回归。然而，从您提供的散点图中看不出趋势的情况可能意味着自变量与因变量之间的关系可能是非线性的，或者存在其他混杂因素影响结果。在实际分析中，如果线性模型的拟合效果不佳，可以考虑使用多项式回归、非参数或半参数方法（如局部加权回归）来探索数据中的复杂模式。

此外，在进行多元回归之前，检查自变量间的多重共线性也很重要，因为高度相关的自变量可能会影响模型的稳定性和解释能力。如果存在多重共线性问题，则可以通过删除相关性较高的变量、采用主成分分析（PCA）或岭回归等方法来处理。总之，虽然从散点图中直接看不到明显趋势是挑战之一，但通过适当的统计方法和模型选择，仍然有可能揭示数据背后的潜在结构和关系。

此文本由CAIE学术大模型生成，添加下方二维码，优先体验功能试用

自变量设定多元选择变量来做吧