一元线性回归分析的结果解释
1.基本描述性统计量
分析：上表是描述性统计量的结果，显示了变量y和x的均数(Mean)、标准差(Std. Deviation)和例数(N)。
2．相关系数
分析：上表是相关系数的结果。从表中可以看出，Pearson相关系数为0.749，单尾显著性检验的概率p值为0.003，小于0.05，所以体重和肺活量之间具有较强的相关性。
3．引入或剔除变量表
分析：上表显示回归分析的方法以及变量被剔除或引入的信息。表中显示回归方法是用强迫引入法引入变量x的。对于一元线性回归问题，由于只有一个自变量，所以此表意义不大。
4．模型摘要
分析：上表是模型摘要。表中显示两变量的相关系数(R)为0.749，判定系数(R Square)为0.562，调整判定系数(Adjusted R Square)为0.518，估计值的标准误差(Std. Error of the Estimate)为0.28775。
5．方差分析表
分析：上表是回归分析的方差分析表(ANOVA)。从表中可以看出，回归的均方(Regression Mean Square)为1.061，剩余的均方(Residual Mean Square)为0.083，F检验统计量的观察值为12.817，相应的概率p 值为0.005，小于0.05，可以认为变量x和y之间存在线性关系。
6．回归系数
分析：上表给出线性回归方程中的参数(Coefficients)和常数项(Constant)的估计值，其中常数项系数为0(注：若精确到小数点后6位，那么应该是0.000413)，回归系数为0.059，线性回归参数的标准误差(Std. Error)为0.016，标准化回归系数(Beta)为0.749，回归系数T检验的t统计量观察值为3.580，T检验的概率p值为0.005，小于0.05，所以可以认为回归系数有显著意义。由此可得线性回归方程为：
y=0.000413+0.059x
7．回归诊断
分析：上表是对全部观察单位进行回归诊断(Cawi
Diagnostics-all cas)的结果显示。从表中可以看出每一例的标准
化残差(Std. Residual)、因变量y的观测值和预测值(Predicted Value)以及残差(Residual)。例如第7例的标准化残差最大为1.627。
8．残差统计量
分析：上表是残差统计量(Residual Statistics)。表中显示了预测值(Predicted Value)、标准化预测值(Std. Predicted Value)、残差(Residual)和标准化残差(Std. Residual)等统计量的最小值(Minimum)、最大值(Maximum)、均数(Mean)和标准差(Std. Deviation)。
9．回归标准化残差的直方图
分析：上图是回归分析标准化残差的直方图，正态曲线也被显示在直方图上，用以判断标准化残差是否呈正态分布。由于本例的样本数太少，所以以此难以做出判断。
10．回归标准化的正态P-P图
分析：下图是回归标准化的正态P-P图。该图给出了观察值的残差分布与假设的正态分布的比较，如果标准化残差呈正态分布，则标准化的残差散点应分布在直线上或靠近直线。
