统计回归结果,r2.,如果很低,这个结果有效么

很简单,用前进、后退或逐步法都行,一般用逐步法然后看整个模型是否有统计学意义,就是有回归和残差那项若有意义（P小于0.05）则继续看每个参数的P值若P值大于0.05,剔除～最后得方程模型当然还需要注意

ModelSummary是对模型拟合效果的总结,R是相关系数,R2是决定系数,系数越大表面拟合效果越好.ANOVA是方差分析,然后F检验Coefficients就是回归结果,得到的回归方程的系数

（1）样本中观察值个数n（2）S.D.dependentvar（被解释变量标准差）的值,记为s（3）Sumsquaredresid（残差项平方和）的值,记为r则：可决系数=[s*s*（n-1）-r]/

第二个表说明拟合度,0.996,接近1,说明模型拟合不错；第三个表看F值就好,相当大,在95%甚至99%置信度下显著；第四个表说明自变量X（营业收入）系数为0.891,并且是在95%甚至99%置信度下

在这地方有些说不清楚,我给你找到这个例子,说的比较明白,你看看：http://blog.sina.com.cn/s/blog_4af3f0d20100byr9.html

R平方就是拟合优度指标,代表了回归平方和（方差分析表中的0.244）占总平方和（方差分析表中的0.256）的比例,也称为决定系数.你的R平方值为0.951,表示X可以解释95.1%的Y值,拟合优度很高

＝INDEX(LINEST(A1:A10,B1:B10,1,1),1,1)’斜率b1＝INDEX(LINEST(A1:A10,B1:B10,1,1),1,2)’截距b0＝INDEX(LINEST(A1

（1）中F伴随的p值小于0.001,是怎么看出来的?（2）常数在0.005下显著,以及x1在0.001下显著是怎么看出来的?就是看最后一列的sig值,就是P值.它小于显著性水平,比如0.05,就显著.

晕晕!从你的结果可以看出,你使用的是复回归,就是把所有的自变量选入,不进行向前消元,也不进行向后淘汰,也不进行逐步回归.先不说你的模型不显著,你的这个方法逻辑有错误.（1）被试太少,你8个被试就用回归

木有一个变量是显著的……所有变量的p值都好大的说~整个模型的p值也很大……结论就是这个模型本身统计不显著,各个变量也不显著.看回归分析结果,你先看右上角那个prob>F,那个是对整个模型的检验,如果这

CONFICIENS 中的B 就是回归系数,另外应注意SIG值应小于0.05,MODEL SUMMARY中的Adjusted R square&nbs

自由度就是出来的那个回归方程y＝b＋a8×x8＋a8×x8＋.比如你回归方程有俩变量,只允许其中一个也就是回归的自由度是变量数8－8＝8.类似的,残差的估计是基于样本容量的,有一个自变量的话就是n－8

一看判定系数R方,本例中,R方=0.202,拟合优度很差.一般要在0.6以上为好.至少也在0.4以上.二看系数估计量的sig值,其中,独董规模的sig=0.007,小于0.05,说明该变量对因变量有显

你方程能解释因变量的程度是90.9357%,这是从adjustedR中看出来的,方差分析说明方程是有意义的.第三个表看不清楚,应该是对各变量系数的检验.你还应该做各变量的共线性诊断.在进行分析的时候选

你截图好歹把表截下来,数字都对不上了.三个表中因变量:VAR00001表示你的Y.预测变量:(常量),VAR00004,VAR00003,VAR00002分别表示X1,X2,X3第二个表是方差分析表,

直线回归方程：当两个变量x与y之间达到显著地线性相关关系时,应用最小二乘法原理确定一条最优直线的直线方程y=a+bx,这条回归直线与个相关点的距离比任何其他直线与相关点的距离都小,是最佳的理想直线.回

看Sig值都小于0.05,你这个回归模型变量间的线性关系很显著,但是误差肯定是有的,只是你这个模型应该挺小的.我们一般做回归分析,只是说因变量跟自变量之间的关系,并没有因是量跟误差项成线性关系这种说法

加不加常数项影响的是回归系数计算矩阵的结构所以不加常数项就出现负值这是一个计算过程,没有什么特殊原因再问：R^2不是两个平方和的商么，怎么会出现负值？你说的回归系数计算矩阵是什么结构？再答：调整后的R

这说明数据完全不符合线性关系.

没有几何解释这个说法你说的beta对应于的OR吗?R2越接近于1越好我替别人做这类的数据分析蛮多的