1、Multiple R（复相关系数R）：R2的平方根，又称为相关系数，它用来衡量变量x和y之间相关程度的大小。

如例中：R为0.900217688258665，表示二者之间的关系是高度正相关。 2、R Square(复测定系数R2，即可决系数 )：用来说明用自变量解释因变量变差的程度，以测量同因变量y的拟合效果。

3、Adjusted R Square (调整复测定系数R2)：仅用于多元回归才有意义，它用于衡量加入独立变量后模型的拟合程度。当有新的独立变量加入后，即使这一变量同因变量之间不相关，未经修正的R2也要增大，修正的R2仅用于比较含有同一个因变量的各种模型。

4、标准误差：又称为标准回归误差或叫估计标准误差，它用来衡量拟合程度的大小，也用于计算与回归有关的其他统计量，此值越小，说明拟合程度越好。 5、观测值：是指用于估计回归方程的数据的观测值个数。 模块二：方差分析表

方差分析表的主要作用是通过F检验来判断回归模型的回归效果。 1、 df列为自由度 2、 SS为平方和

3、 MS为均方差：MS=SS/df 4、

F为对回归方程进行显著性检验的统计量。F?ESS/1~F(1,n?2)。

RSS/(n?2)5、 Significance F相当于计算后所得到的P值。 6、 回归方程显著性检验的方法： （1） 提出假设：

原假设：H0:??0 备择假设：H1:??0 （2） （3） （4）

计算统计量：F?ESS/1，一般方差分析表都给出。

RSS/(n?2)计算临界值F?(1,n?2) 决策：

方法一：如果F>F?(1,n?2)，拒绝H0，表明X和Y之间存在显著的线性关系。 方法二：如果Significance F小于显著性水平?，拒绝H0，表明X和Y之间存在显著的线性关系。 回归参数表：

1、 Intercept：截距?

2、 第二、三行：? (截距) 和β(斜率)的各项指标。 3、 第二列：回归系数? (截距)和β(斜率)的值。 4、 第三列：回归系数的标准误差 5、 6、

第四列：根据原假设Ho：β0=β1=0计算的样本统计量t的值。 第五列：各个回归系数的p值(双侧)

7、 第六列：?和β为95%的置信区间的上下限。

实训总结

通过这次实训，对自己的统计学知识有了更深的理解，做到了学以致用，也加强了计算机基础知识的巩固，另外，在本次的实训活动中我们所收获知识较多既有学习中的也有生活中。在学习中我们将自己所学的知识应用于实际的操作中，理论和实际是不可分的，在实践中我的知识得到了巩固,解决问题的能力也受到了锻炼。本次实训还开阔了我的视野，使我对统计在现实中的运作有了进一步的理解。

我们这次实训时间较短，只是短短的两天。我们所学到的知识相对来说还是少之又少的，因此，在以后涉及到日常的自我训练，要学会自己运用计算机等工具，处理统计计算问题。同时，我们以后无论是在学习知识上，还是实际运用上都要学习运用统计学知识。