行为回归均方差MSr，即有
MSrSSr74885427488542
dfr
1
第二行为剩余均方差MSe，即有
MSeSSe16106762013345
dfe
8
显然这个数值越小，拟合的效果也就越好。
第四列对应的是F值，用于线性关系的判定。对于一元线性回归，F值的计算公式为
R2
dfeR2
F

11R21R2

m1
式中R20978944，dfe10118，因此
F80978944371945310978944
第五列Sig
ifica
ceF对应的是在显著性水平下的Fα临界值，其实等于P值，即弃真概率。所谓“弃真概率”即模型为假的概率，显然1P便是模型为真的概率。可见，P值越小越好。对于本例，P0000000054200001，故置信度达到9999以上。
第三部分回归参数表
回归参数表包括回归模型的截距、斜率及其有关的检验参数（表3）。
3
f表3回归参数表
第一列Coefficie
ts对应的模型的回归系数，包括截距a2356437929和斜率b1812921065，由此可以建立回归模型
yi2356418129xi
或
yi2356418129xii
第二列为回归系数的标准误差（用sa或sb表示），误差值越小，表明参数的精确度越高。
这个参数较少使用，只是在一些特别的场合出现。例如LBe
guigui等人在Whe
a
dwhereisacityfractal一文中将斜率对应的标准误差值作为分形演化的标准，建议采用004作为分维判定的统计指标（参见EPB2000）。
不常使用标准误差的原因在于：其统计信息已经包含在后述的t检验中。第三列tStat对应的是统计量t值，用于对模型参数的检验，需要查表才能决定。t值是回归系数与其标准误差的比值，即有
a
b
ta

sa
tb
，

sb
根据表3中的数据容易算出：
2356438
1812921
ta

1827876
1289167tb
，

0094002
1928588
对于一元线性回归，t值可用相关系数或测定系数计算，公式如下
tR1R2

m1
将R0989416、
10、m1代入上式得到
t09894161928588109894162
1011
对于一元线性回归，F值与t值都与相关系数R等价，因此，相关系数检验就已包含了这部分信息。但是，对于多元线性回归，t检验就不可缺省了。
第四列Pvalue对应的是参数的P值（双侧）。当P005时，可以认为模型在α005的水平上显著，或者置信度达到95；当P001时，可以认为模型在α001的水平上显著，或者置信度达到99；当P0001时，可以认为模型在α0001的水平上显著，或者置信度达到999。对于本例，P0000000054200001，故可认为在α00001的水平上显著，或者置信度达到9999。P值检验与t值检验是等价的，但P值不用查表，显然要方便得多。
4
f最后几列给出的回归系数以95为置信区间的上限和下限。可以看出，在α005的显r