显著影响，而不同温度对收率的影响没有显著差异，浓度和温度的交互作用对收率的影响也不显著。
二、第9题回归分析4
21基本思路本例中被解释变量为课题总数X5，解释变量为投入人年数X2、投入科研事业费X4、论文数X7、获奖数X8。建立多元回归模型，利用回归方程的统计检验对建立的多元回归模型进行检验，首先对解释变量采取强行进入策略，分析他们之间的线性关系以及多重共线性；然后对解释变量采用向前筛选策略，做方差齐性和残差的自相关性检验。22操作步骤1分析回归线性；因变量：课题总数X5；自变量：投入人年数X2、投入科研事业费X4、论文数X7、获奖数X8；方法：进入；2统计量：选中回归系数“估计”、模型拟合度、共线性诊断、残差Durbi
Watso
；3单击“确定”，生成表21、表22、表23、表24；4同步骤1；5点击“绘制”，X坐标为标准化预测值ZPRED，Y坐标为DRESID，在标准化残差图中选“正态概率图”，点击“继续”按钮，进行残差均值和方差齐性检验；点击“保存”中选择保存标准化预测值、标准化残差；6菜单分析相关双变量，在变量框选择标准化残差、标准化预测值相关系数Spearma
；7点击“确定”按钮。23结果分析
表21模型汇总模型1R968aR方937调整R方927
b
标准估计的误差2265820
Durbi
Watso
1776
a预测变量常量获奖数投入科研事业费（百元）论文数投入人年数。b因变量课题总数
5
f数据分析方法及软件应用课程作业由上表可看出，该方程中有多个解释变量，依次应参考调整的判断系数。由于调整的判定系数0927较接近于1，因此认为拟合优度较高，被解释变量可以被模型解释的部分较多，未能被解释的部分较少。并且Durbi
Watso
为1776在15和25之间，因而可以用线性回归模型来拟合数据。
表22A
ova模型回归1残差总计平方和19741985311133482468921076810000df42630
a
均方493549632851339411
F96135
Sig000b
a因变量课题总数b预测变量常量获奖数投入科研事业费（百元）论文数投入人年数。
上表是立项课题数多元线性回归分析的结果。可以看出，被解释变量的总离差平方和，回归平方和及均方分别为21076810000，19741985311和1334824689，检验统计量的观测值为96135，对应的概率p值近似为0依据该表可进行回归方程的显著性检验，若显著性水平α为005，由于概率p值小于α，应拒绝回归方程显著性检验的假设，认为各回归系数不同时为0，被解释变量与解释变量全体的线性关系是显著的。
表23系数a模型常量r