左上角给出方差分析表，右上角是模型拟合综合参数 。下方的表给出了具体变量的回归系数 。
方差分析表对大部分的行为研究者来讲不是很重要，我们不做讨论 。在拟合综合参数中，R-squared 表示因变量中多大的一部分信息可以被自变量解释 。
在这里是4.46%，相当小 。回归系数 一般地，我们要求这个值大于5% 。
对大部分的行为研究者来讲，最重要的是回归系数 。我们看到，年龄增加1个单位，文档的质量就下降 -.1020986个单位，表明年长的人对文档质量的评价会更低 。
这个变量相应的t值是 -2.10，绝对值大于2,p值也<0.05，所以是显著的 。我们的结论是，年长的人对文档质量的评价会更低，这个影响不是显著的 。
相反，领域知识越丰富的人，对文档的质量评估会更高，但是这个影响不是显著的 。这种对回归系数的理解就是使用回归分析进行假设检验的过程 。
2.线性回归法在统计学中，线性回归（Linear Regression）是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析 。
这种函数是一个或多个称为回归系数的模型参数的线性组合 。只有一个自变量的情况称为简单回归，大于一个自变量情况的叫做多元回归 。
（这反过来又应当由多个相关的因变量预测的多元线性回归区别，而不是一个单一的标量变量 。）回归分析中有多个自变量：这里有一个原则问题，这些自变量的重要性，究竟谁是最重要，谁是比较重要，谁是不重要 。
所以，spss线性回归有一个和逐步判别分析的等价的设置 。原理：是F检验 。
spss中的操作是“分析”~“回归”~“线性”主对话框方法框中需先选定“逐步”方法~“选项”子对话框如果是选择“用F检验的概率值”，越小代表这个变量越容易进入方程 。原因是这个变量的F检验的概率小，说明它显著，也就是这个变量对回归方程的贡献越大，进一步说就是该变量被引入回归方程的资格越大 。
究其根本，就是零假设分水岭，例如要是把进入设为0.05，大于它说明接受零假设，这个变量对回归方程没有什么重要性，但是一旦小于0.05，说明，这个变量很重要应该引起注意 。这个0.05就是进入回归方程的通行证 。
下一步：“移除”选项：如果一个自变量F检验的P值也就是概率值大于移除中所设置的值，这个变量就要被移除回归方程 。spss回归分析也就是把自变量作为一组待选的商品，高于这个价就不要，低于一个比这个价小一些的就买来 。
所以“移除”中的值要大于“进入”中的值，默认“进入”值为0.05，“移除”值为0.10如果，使用“采用F值”作为判据，整个情况就颠倒了，“进入”值大于“移除”值，并且是自变量的进入值需要大于设定值才能进入回归方程 。这里的原因就是F检验原理的计算公式 。
所以才有这样的差别 。结果：如同判别分析的逐步方法，表格中给出所有自变量进入回归方程情况 。
这个表格的标志是，第一列写着拟合步骤编号，第二列写着每步进入回归方程的编号，第三列写着从回归方程中剔除的自变量 。第四列写着自变量引入或者剔除的判据，下面跟着一堆文字 。
3.怎么求线性回归方程直接按照题目把所给的几个函数图像画出来（要准确，一般都是几条直线）然后求是直线的上还是下，比如说：x-y-1>0，那就先把直线x-y-1=0画出来再代个点（不要是这条直线上的点）进去，比如说（0,0）带进去，得到“0-0-1>0”显然不成立 。
（0,0）在这条直线的上方，不成立，所以x-y-1>0是代表在直线x-y-1=0的下方的区域或者：把x-y-1>0换成y很容易看出来y同样地，其它的区域也是照着这么画 。注意因为是“>”“画完之后，因为“{”表示交集的意思，所以你真正最后所要画的是这几个区域都有覆盖的区域高考题一般就是给你的区域求出来后是个三角形，于是就有这片区域的界限和顶点了基本常见的题型是目标函数z=f(x,y) 。