1 Табличка

Мы видим, что у нас всего 2 модели. В первую модель включена 1 независимая переменная, которая оказывает наибольшее влияние на зависимую – Мощность. Во вторую модель включены 2 независимые переменные – Мощность + Длина машины.

Объем двигатель (у которого уровень значимости по критерию t был 0,052) ни в какую модель не вошел, потому что у SPSS все строго.

Variables Entered/Removeda
Model	Variables Entered	Variables Removed	Method
1	Мощность	.	Stepwise (Criteria: Probability-of-F-to-enter <= ,050, Probability-of-F-to-remove >= ,100).
2	Длина	.	Stepwise (Criteria: Probability-of-F-to-enter <= ,050, Probability-of-F-to-remove >= ,100).
a. Dependent Variable: Цена

2 Табличка

R – коэффициент корреляции. Измеряется от -1 до 1. Чем ближе к 0, тем связь слабее, чем ближе к 1 или -1, тем связь сильнее.

R Square (R²) – коэффициент детерминации – это значение говорит нам о качестве регрессионной модели.

В нашем случае у нас 2 модели. Сначала смотрим на данные по первой модели. R²=0,707, а значит 0,707*100%=70,7% - показатель качества модели. С помощью первой модели мы объясняем на 70,7% цену автомобиля.

Теперь смотрим на вторую модель. R²=0,740, а значит 0,740*100%=74% - показатель качества модели. С помощью второй модели мы объясняем на 74% цену автомобиля. Так же можно сказать, что включение второй переменной (длины) качество модели улучшилось на 3,3%.

Adjusted R Square и Std. Error of the Estimate – это нам не нужно. Но на самом деле, как говорит мне учебник Наследова, Adjusted R Square это скорректированный R². R² в расчетах получается завышенным. Скорректированная величина R² менее формальна и ближе к реальным результатам. Хотя надо заметить, что в данном случае скорректированный R² не так уж и сильно отличается от R².

Model Summary
Model	R	R Square	Adjusted R Square	Std. Error of the Estimate
1	,841a	,707	,705	7,8409
2	,860b	,740	,737	7,4123
a. Predictors: (Constant), Мощность
b. Predictors: (Constant), Мощность, Длина

3 Табличка

В этой табличке данные приводятся для двух моделей. Мы видим Sig. – уровень значимости (по критерию Фишера), а это значит, что мы выдвигаем гипотезу (сначала для первой модели). Она звучит так: Н_о: R²=0 (наша модель ничего не объясняет). Уровень значимости по критерию F (Фишера) меньше 0,05, а значит мы отвергаем гипотезу Н₀ и принимаем альтернативную гипотезу Н₁ – наша модель действительно что-то объясняет (на те же самые 70,7%).

Теперь мы еще раз выдвигаем гипотезу (для второй модели). Она звучит так: Н_о: R²=0 (наша модель ничего не объясняет). Уровень значимости по критерию F (Фишера) меньше 0,05, а значит мы отвергаем гипотезу Н₀ и принимаем альтернативную гипотезу Н₁ – наша модель действительно что-то объясняет (на те же самые 74%).

Теперь чуть-чуть о начале таблички.

Regression – регрессионная модель.

Residual – остатки.

Total – сумма (что-то вроде дисперсии для цены машины).

Сумма раскладывается на то, что мы объясняем регрессионной моделью (или прямой, которую мы проводили на графике, если кто помнит) и на остатки (Residual). Из второго столбика таблицы (Sum of Squares) еще раз видно, но в неудобной форме, что больше половины мы объясняем регрессионной моделью и чуть меньше половины – это остатки. (это можно сказать как про первую модель, так и про вторую).

ANOVAa
Model		Sum of Squares	df	Mean Square	F	Sig.
1	Regression	22152,512	1	22152,512	360,325	,000b
	Residual	9160,404	149	61,479
	Total	31312,916	150
2	Regression	23181,572	2	11590,786	210,966	,000c
	Residual	8131,344	148	54,942
	Total	31312,916	150
a. Dependent Variable: Цена
b. Predictors: (Constant), Мощность
c. Predictors: (Constant), Мощность, Длина