（1）线性模型的前提是变量间的线性关联，线性相关程度越大，模型拟合的越好，并利用OLS估计，使其残差最小，不过该算法对异常值很敏感，会导致部分散点的垂直偏差过大。

    变量间显非线性关系时，如果仍使用OLS估计的话，其实线性关系之外的散点均可视为异常值，那么残差势必增加。见下图

（2）虚线是整体拟合线，如果分而拟合的话，效果一定会很好，不过问题是如何选择拐点或门限，直接选择显然太过主观，关于寻找拐点的方法也很多， 门限自回归的那一类的算法适用于时序数据，截面数据比较常用的是局部线性平滑的方法。

    下面这个图形更能说明局部线性平滑过程。

（3）使用局部线性的方法，对训练出的线性模型会更便于解释。

    一般使用不同带宽（带宽内权重相同）来计算交叉验证的结果——除去某样本点后，计算预测值与观察值离差的平方和最小。找到带宽与最小值的最佳点，然后做出取舍。

    该方法考虑了散点的分布疏密性、局部性和整体性等诸多优点，因此应用很广泛。