就业人数 

3.999455 1.085795 3.683435 0.004222

出口总值 

1.964301 0.100821 19.48307 2.77E-09

Lower 95% Upper 95% 下限 95.0% 上限 95.0%

-406177 -63075.9 -406177 -63075.9

1.580153 6.418756 1.580153 6.418756

1.739658 2.188944 1.739658 2.188944

由表1的结果，我们可以得到多元线性回归方程： 

回归系数的意义：

 表示在企业出口总值不变的情况下，每增加一位工人，企业生产总值平均增加3.999455百元．

 表示在企业工人数一定的情况下，出口总值每增加1百元，企业生产总值平均增加1.964301百元．

2.2 拟合优度

在得到回归方程时，事先我们并不知道该方程对样本数据的解释程度是否达到我们的要求．拟合优度是我们判断回归方程是否有效的简单方法．

          总平方和 =回归平方和 +残差平方和 [1]

   式子中： ， ，    表2  拟合优度表

回归统计 　

Multiple R 0.996609

R Square 0.99323

Adjusted R Square 0.991876

标准误差 5570.672

观测值 13

     对于多元回归方程而言，自变量的个数会影响到回归方程的解释程度，即自变量个数增加会导致预测误差变小，也就是减少了 ，因此对于多元回归方程，我们需要调整 的值，这样才能更准确的反应回归方程对样本数据的解释程度．所用的调整方程为： ；其中 为样本量， 为自变量个数．故经此调整后 ．它表示：在用样本量和自变量个数进行调整后，在企业生产总值的变差中，能被就业人数和出口总值的回归方程所解释的比例为99.2%．因此认为该回归方程还是有效的．

2.3 显著性检验

线性关系的检验主要检验因变量与每个自变量的关系是否显著，如果某个自变量没有通过检验，则没必要将这个自变量放于回归方程模型中．显著性检验可以剔除对因变量影响小的自变量，减少运算过程[1,2]．检验步骤如下

第一步：提出假设．

   ； 至少有一个不为0

第二步：计算检验统计量 ．

第三步：做出统计决策．

若 > 则拒绝原假设，反之，我们没有理由拒绝原假设．

表3  方差分析

　 df SS MS F Significance F

回归分析 2 4.55E+10 2.28E+10 733.583 1.42E-11

残差 基于线性回归和ARMA在企业中的分析(2):http://www.youerw.com/shuxue/lunwen_58121.html