模型中解释变量的估计值为-0.466102，标准差是0.069349,标准差是衡量回归系数值的稳定性和可靠性的，越小越稳定，解释变量的估计值的T值是用于检验系数是否为零的，若值大于临界值则可靠。
估计值的显著性概率值（prob)都小于5%水平，说明系数是显著的。R方是表示回归的拟合程度，越接近1说明拟合得越完美。调整的R方是随着变量的增加，对增加的变量进行的“惩罚”。
D-W值是衡量回归残差是否序列自相关，如果严重偏离2，则认为存在序列相关问题。F统计值是衡量回归方程整体显著性的假设检验，越大越显著。
扩展资料：
Eviews的处理：
Eviews处理的基本数据对象是时间序列，每个序列有一个名称，只要提及序列的名称就可以对序列中所有的观察值进行操作，Eviews允许用户以简便的可视化的方式从键盘或磁盘文件中输入数据。
根据已有的序列生成新的序列，在屏幕上显示序列或打印机上打印输出序列，对序列之间存在的关系进行统计分析。
Eviews具有操作简便且可视化的操作风格，体现在从键盘或从键盘输入数据序列、依据已有序列生成新序列、显示和打印序列以及对序列之间存在的关系进行统计分析等方面。
Eviews具有现代Windows软件可视化操作的优良性。可以使用鼠标对标准的Windows菜单和对话框进行操作。操作结果出现在窗口中并能采用标准的Windows技术对操作结果进行处理。
此外，Eviews还拥有强大的命令功能和批处理语言功能。在Eviews的命令行中输入、编辑和执行命令。在程序文件中建立和存储命令，以便在后续的研究项目中使用这些程序。
参考资料来源：百度百科-Eviews
1、参数显著性检验t检验对应的Prob，若小于0.05则参数的显著性检验通过，再看R方，越接近1，拟合优度越高；F的P值，小于0.05的话模型才显著，DW用来检验残差序列的相关性的，在2的附近，说明残差序列不相关。
2、标准差是衡量回归系数值的稳定性和可靠性的，越小越稳定，解释变量的估计值的T值是用于检验系数是否为零的，若值大于临界值则可靠。
估计值的显著性概率值（prob)都小于5%水平，说明系数是显著的。R方是表示回归的拟合程度，越接近1说明拟合得越完美。调整的R方是随着变量的增加，对增加的变量进行的“惩罚”。
D-W值是衡量回归残差是否序列自相关，如果严重偏离2，则认为存在序列相关问题。F统计值是衡量回归方程整体显著性的假设检验，越大越显著。
扩展资料：
主要功能
引入了流行的对象概念，操作灵活简便，可采用多种操作方式进行各种计量分析和统计分析，数据管理简单方便。其主要功能有：
1、采用统一的方式管理数据，通过对象、视图和过程实现对数据的各种操作；
2、输入、扩展和修改时间序列数据或截面数据，依据已有序列按任意复杂的公式生成新的序列；
3、计算描述统计量：相关系数、协方差、自相关系数、互相关系数和直方图；
4、进行T 检验、方差分析、协整检验、Granger 因果检验；
5、执行普通最小二乘法、带有自回归校正的最小二乘法、两阶段最小二乘法和三阶段最小二乘法、非线性最小二乘法、广义矩估计法、ARCH 模型估计法等；
6、对二择一决策模型进行Probit、logit 和Gompit 估计；
7、对联立方程进行线性和非线性的估计；
8、估计和分析向量自回归系统；
9、多项式分布滞后模型的估计；
10、回归方程的预测；
11、模型的求解和模拟；
12、数据库管理；
13、与外部软件进行数据交换。
参考资料来源：百度百科-eviews
本回答被网友采纳（1）参数显著性检验t检验对应的Prob，若小于0.05则参数的显著性检验通过，再看R方，越接近1，拟合优度越高；F的P值，小于0.05的话模型才显著，DW用来检验残差序列的相关性的，在2的附近，说明残差序列不相关。 （2）标准差是衡量回归系数值的稳定性和可靠性的，越小越稳定，解释变量的估计值的T值是用于检验系数是否为零的，若值大于临界值则可靠。估计值的显著性概率值（prob)都小于5%水平，说明系数是显著的。R方是表示回归的拟合程度，越接近1说明拟合得越完美。调整的R方是随着变量的增加，对增加的变量进行的“惩罚”。D-W值是衡量回归残差是否序列自相关，如果严重偏离2，则认为存在序列相关问题。F统计值是衡量回归方程整体显著性的假设检验，越大越显著。模型中解释变量的估计值为-0.466102，标准差是0.069349,标准差是衡量回归系数值的稳定性和可靠性的，越小越稳定，解释变量的估计值的T值是用于检验系数是否为零的，若值大于临界值则可靠。估计值的显著性概率值（prob)都小于5%水平，说明系数是显著的。R方是表示回归的拟合程度，越接近1说明拟合得越完美。调整的R方是随着变量的增加，对增加的变量进行的“惩罚”。D-W值是衡量回归残差是否序列自相关，如果严重偏离2，则认为存在序列相关问题。F统计值是衡量回归方程整体显著性的假设检验，越大越显著相关分析：研究有没有关系，关系强度如何。
回归分析：研究影响关系如何，有没有影响关系，影响关系如何。
相关分析是研究有没有关系，回归分析是研究影响关系。明显地，相关分析是基础，然后再进行回归分析。首先需要知道有没有相关关系；有了相关关系，才可能有回归影响关系；如果没有相关关系，是不应该有回归影响关系的。
因而从分析角度，应该先进行相关分析，完成相关分析后，确认有了相关分析，再进行回归分析。
有时候会出现奇怪的现象，比如：
有回归影响关系，但是却没有相关关系【此时建议以‘没有相关关系作为结论’】
负向影响关系，但却是正向相关关系【此时建议以‘有相关关系但没有回归影响关系作为结论’】
具体要求参考出处在SPSSAU手册里面的其它文档里面，如图：
来自：求助得到的回答不显著说明不拒绝原假设，SPSS会继续计算，但是这些结果也就没有意义。回归模型重要的基础或者方法就是回归分析，回归分析是研究一个变量（被解释变量）关于另一个（些）变量（解释变量）的具体依赖关系的计算方法和理论。
是建模和分析数据的重要工具。在这里，我们使用曲线/线来拟合这些数据点，在这种方式下，从曲线或线到数据点的距离差异最小。
本回答被网友采纳一般相关只是单独地分析两个变量之间的相关，它不会去控制其他变量的影响。回归的话是如果你放入多个自变量做回归，那么你看到的某一个自变量的回归系数其实代表的是控制了其他自变量（也就是减去了其他自变量对因变量的效应）后的回归，也就是说，他并不代表该变量单独对因变量的影响。差别就在于是否控制了所关注变量外的其他变量。相关分析用于研究定量数据之间的关系情况，包括是否有关系，以及关系紧密程度等。1、如果呈现出显著性（结果右上角有*号，此时说明有关系；反之则没有关系）；有了关系之后，关系的紧密程度直接看相关系数大小即可。一般0.7以上说明关系非常紧密；0.4~0.7之间说明关系紧密；0.2~0.4说明关系一般。2、如果说相关系数值小于0.2，但是依然呈现出显著性（右上角有*号，1个*号叫0.05水平显著，2个*号叫0.01水平显著；显著是指相关系数的出现具有统计学意义普遍存在的，而不是偶然出现），说明关系较弱，但依然是有相关关系。3、相关分析是回归分析的前提条件，首先需要保证有相关关系，接着才能进行回归影响关系研究。4、因为如果都显示没有相关关系，是不可能有影响关系的。如果有相关关系，但也不一定会出现回归影响关系。相关分析的操作步骤1. SPSSAU用户可自由拖拽分析项进入分析列表框，区别仅在于输出格式不同。2. 相关分析使用相关系数表示分析项之间的关系；首先判断是否有关系(有*号则表示有关系，否则表示无关系)；3. 接着判断关系为正相关或者负相关(相关系数大于0为正相关，反之为负相关)；4. 最后判断关系紧密程度(通常相关系数大于0.4则表示关系紧密)；5. 相关系数常见有两类，分别是Pearson和Spearman，本系统默认使用Pearson相关系数。在相关分析之前，SPSSAU建议可使用散点图直观查看数据之间的关系情况。除此之外，SPSSAU还提供Kendall相关系数。一般相关只是单独地分析两个变量之间的相关，它不会去控制其他变量的影响。回归的话如果放入多个自变量做回归，那么看到的某一个自变量的回归系数其实代表的是控制了其自变量（也就是减去了其他自变量对因变量的效应）后的回归，也就是说，并不代表该变量单独对因变量的影响。差别就在于是否控制了所关注变量外的其他变量一般相关只是单独地分析两个变量之间的相关，它不会去控制其他变量的影响。回归的话如果你放入多个自变量做回归，那么你看到的某一个自变量的回归系数其实代表的是控制了其他自变量（也就是减去了其他自变量对因变量的效应）后的回归，也就是说，他并不代表该变量单独对因变量的影响。差别就在于是否控制了所关注变量外的其他变量本回答被提问者采纳一般相关只是单独地分析两个变量之间的相关，它不会去控制其他变量的影响。回归的话如果你放入多个自变量做回归，那么你看到的某一个自变量的回归系数其实代表的是控制了其他自变量（也就是减去了其他自变量对因变量的效应）后的回归，也就是说，他并不代表该变量单独对因变量的影响。差别就在于是否控制了所关注变量外的其他变量。
显著性比较看sig列，如果这列的值小于0.05，就代表系数显著，按照这个标准，结果中的回归系数没有显著的表现。
常用的显著性水平有三种，0.1,0.05，0.01.spss中最喜欢的是0.05.在这个表中，显著性看sig那列，如果这列的值小于0.05，就代表系数显著，按照这个标准，你的结果里面没有一个是显著地。
回归系数（regression coefficient）在回归方程中表示自变量x 对因变量y 影响大小的参数。回归系数越大表示x 对y 影响越大，正回归系数表示y 随x 增大而增大，负回归系数表示y 随x增大而减小。例如回归方程式Y=bX+a中，斜率b称为回归系数，表示X每变动一单位，平均而言，Y将变动b单位。
1、相关系数与回归系数：
A 回归系数大于零则相关系数大于零
B 回归系数小于零则相关系数小于零
（它们的取值符号相同）
2、回归系数：由回归方程求导数得到，
所以，回归系数>0，回归方程曲线单调递增；
回归系数<0，回归方程曲线单调递减；
回归系数=0，回归方程求最值（最大值、最小值）。
比较的标准是与显著性平比较。一般显著性水平是给定的。常用的显著性水平有三种，0.1,0.05，0.01.spss中最喜欢的是0.05.在这个表中，显著性看sig那列，如果这列的值小于0.05，就代表系数显著，按照这个标准，你的结果里面没有一个是显著地！建议先做一下相关分析更多追问追答追问相关分析是变量之间的相关性吗？我想知道自变量对因变量的显著性可以吗？追答
我建议你先看看统计相关的书，因为你提的问题很多在概念上市有问题的。显著性只有构造了统计量进行了检验才有的。相关性之间是不存在显著性的。自变量对因变量的显著性如果想知道，只有通过模型进行回归分析，再而进行系数检验才能知道答案。你的图片里面的信息就是自变量、常数项对因变量的影响都不显著。之间不存在明显的回归关系。造成这样的结果往往是对变量基础性的把握不够。追问
感谢本回答被提问者采纳
从具体的数值上来说，二者不是完全等价的，相关性的显著性水平不一定和回归分析中的显著性水平一致。并且，相关系数显著不等于回归分析就一定显著，尤其是在多元回归分析当中。但是，反过来说回归分析显著了，一般情况下，相关分析就会显著。本回答由提问者推荐
写的论文得出来的结果不显著，可以再改改呀，或者是找比自己学习好的人帮你看看问题出在了哪里我觉得你可以再去找一些知识丰富你一下你的论文，让得出来的结果更加显著一些。我觉得可以适当的发散一下，这样会更加的丰富，变得更合适。
每一个孩子都经历过被论文支配的痛苦，大多数学生写完了文之后要去相关网站进行查重，如果某一位学生写出来的作文不合格，这位学生会根据不合格的原因进行修改。还有一部分学生论文，写完之后发给辅导员及专业课，老师，查看之后没有问题，却在答辩上出现问题，这类学生可以申请第二次答辩，答辩老师不会为难你的。学生并不害怕答辩，他们害怕自己写的论文效果不显着，那么当我们遇到论文效果不显著时，该怎么办呢？
第一个方法：请教专业老师每一个学生都会得到学校的安排，每一个学生都有专业课老师进行论文辅导。我们学校每一个班级都有一个专业老师，他会帮助我们修改论文，解决论文中的问题。当我们出现任何论文问题时，这位老师会查阅相关资料，给予我们最正确的答复。如果你的论文结果不显著，可以请教专业老师帮忙指导。
第三个方法：继续查资料完成论文绝大部分学生论文效果不显著的原因是资料匮乏，所提出的观点得不到验证。还有一部分学生论文效果不显著的原因是查重率太高，论文不通过。既然你没有查阅相关资料就开始写论文，那么论文的结果肯定不会尽如人意，所以如果碰到论文结果不显著的情况，可以继续查阅资料，丰富论文内容。
第三个方法：与其他人进行合作这里指的是与其他人进行互帮互助，每一个班里都有学习很好的学生。如果你是一名学渣，所写出的作文结果不如人意，可以向同学寻求帮助，也可以和学习好的同学进行合作。许多人通过讨论与合作完成论文，寻求他人合作与帮助的过程中，千万不要害羞，让同学知道你有一颗爱学习的心。
找到原因，重新做实验。如果做出的结果不显著，要分析一下，找出原因，重新做实验得结果。看看数据是否出现了错误，可以先认真的核查一遍，看看自己的计算过程是否正确，如果没有错误，那就更换下实验的数据的，把数据修改一下。再好好分析，用别的的数据、别的方法再去研究，得出新的分析结论。可以去咨询老师，看看是哪里出的错误，能及时纠正。会。毕业论文回归结果太好你不需要关心专家是否会质疑数据，你只要想想自己的毕业论文数据是否经得起质疑。
如果是一元回归，则分析结果如下：回归分析: y 与 x 回归方程为y = - 3.63 + 0.0488 x自变量 系数 系数标准误 T P常量 -3.625 5.937 -0.61 0.553x 0.048793 0.009297 5.25 0.000S = 2.02063 R-Sq = 69.7% R-Sq（调整） = 67.1%方差分析来源 自由度 SS MS F P回归 1 112.47 112.47 27.55 0.000残差误差 12 49.00 4.08合计 13 161.47如果是二元回归，结果如下：多项式回归分析:y 与 x 回归方程为y = 112.9 - 0.3235 x + 0.000295 x**2S = 1.93855 R-Sq = 74.4% R-Sq（调整） = 69.7%方差分析来源 自由度 SS MS F P回归 2 120.132 60.0658 15.98 0.001误差 11 41.338 3.7580合计 13 161.469方差的序贯分析来源 自由度 SS F P线性 1 112.474 27.55 0.000二次 1 7.658 2.04 0.181如果是三元回归，结果如下： 多项式回归分析:y 与 x 回归方程为y = 1452 - 6.751 x + 0.01053 x**2 - 0.000005 x**3S = 1.86824 R-Sq = 78.4% R-Sq（调整） = 71.9%方差分析来源 自由度 SS MS F P回归 3 126.566 42.1887 12.09 0.001误差 10 34.903 3.4903合计 13 161.469方差的序贯分析来源 自由度 SS F P线性 1 112.474 27.55 0.000二次 1 7.658 2.04 0.181立方 1 6.434 1.84 0.204＝＝＝＝＝＝＝＝＝＝＝ 综合分析，x与y更适合采用二元回归。追问
你的答案很详细，谢谢。我想再问一下，我的是一元回归，我这个能不能算出显著性水平α？然后证明回归方程有价值本回答由网友推荐
看后面P值,比较是否小于0.005，如果小于的话，那就是显著的。追问
弱弱的问一句：P值是什么？追答
是检验显著性水平，在SPSS检验中一般用sig表示，在那个回归分析表格的最后一列，你看那一列对应的数据小于0.005，那就是显著的。去找本统计分析或是百度显著性检验
系数 关系 变量 自变量 序列 因变量 方程
