Une analyse de régression a un objectif qui va au-delà de la simple vérification de la relation entre deux variables. La régression est une technique qui permet de quantifier et de déduire l'influence ou non d'une ou plusieurs variables indépendantes (prédicteurs) sur une variable dépendante (résultat). 

Cette technique statistique permet également, à travers une équation, de prédire des valeurs inconnues de la variable dépendante à travers les valeurs déjà connues des variables prédictives.

Pour illustrer ce type d'analyse, imaginons qu'un chercheur veuille rechercher les éventuels facteurs pouvant interférer avec les taux de « mauvais » cholestérol (LDL) chez 300 patients d'une recherche. Dans ce travail, il a évalué certains facteurs prédictifs possibles, tels que : le sexe, l'âge, la fréquence   de l'activité physique, le diamètre abdominal, le poids, la taille, l'utilisation ou non de corticoïdes et la présence ou non d'une alimentation déséquilibrée. . L'analyse de régression peut indiquer lequel de ces prédicteurs a réellement un impact significatif sur le résultat (taux de LDL), en plus de quantifier cet impact. Avec cela, il est possible de créer un modèle régressif, à travers lequel, à partir des valeurs collectées à partir des variables indépendantes, la valeur attendue de la variable dépendante peut être prédite.