پیش بینی و برآورد و به تبع آن تحلیل های رگرسیونی همواره جایگاه خاص و کاربرد گسترده ای در مطالعات حوزه های مختلف علوم اجتماعی داشته است. از طرفی بکارگیری این روش ها نیز مستلزم پیش فرض هایی است که کمتر مورد توجه قرار گرفته و در اغلب موارد، بخصوص در علوم انسانی چندان قابل کنترل هم نیستند. مقاله حاضر سعی دارد تا با استفاده از منطق بنیادین رویکرد ریاضی برنامه ریزی آرمانی (GP) و روش های خطی بهینه یابی، بدیلی برای مدل های رگرسیون معمولی (LSM) ارایه نماید که کمتر به توزیع داده ها حساس بوده و در مقابل توزیع های غیرنرمال و بویژه وجود داده های پرت، از تنومندی بیشتری برخوردار بوده و نتایج معتبری ارایه نماید. پس از معرفی مدل مذکور با عنوان رگرسیون حداقل مقادیر مطلق خطا (LAV)، دو مدل فوق بر روی داده های حاصل از مطالعه ای در حوزه برنامه ریزی و توسعه روستایی (تحلیل عوامل موثر بر مشارکت روستاییان در طرح های توسعه روستایی در شهرستان کرمانشاه) به کمک نرم افزارهای SPSS و LINDO اجرا شدند. مقایسه نتایج حاصل، حاکی از افزایش دقت برآوردهای مدل LAV در مقایسه با رگرسیون مجموع مجذورات است، بطوری که ضرایب تمامی متغیرهای مستقل (بجز متغیر سن با ضریبِ نزدیک به صفر در هر دو مدل)، بخصوص متغیرهای اعتماد اجتماعی و انسجام اجتماعی در این مدل افزایش قابل ملاحظه ای داشته است. با مطالعه عناصر بردارهای خطای برآورد در دو روش فوق نیز ملاحظه می شود که در ده مورد از دوازده روستای نمونه خطای برآورد در مدل اخیر صفر می باشد، در حالی که هیچکدام از مقادیر خطا در مدل LSM صفر نیستند و به عبارتی هیچکدام از مشاهدات دقیقا بر روی خط رگرسیونی قرار نمی گیرند. به این ترتیب ملاحظه می شود که مدل LAV با بهره گیری بیشتر از داده های جمع آوری شده و اطلاعات موجود، برآوردهای بهتر و دقیق تری را از پدیده ها و مقولات مورد مطالعه به دست می دهد
