解释拟合线图的主要结果

如果项的 P 值显著，则可以检查回归方程和系数以了解项如何与响应关联。

使用回归方程可描述模型中响应和项之间的关系。回归方程是回归线的代数表示。线性模型的回归方程采取如下形式：Y= b0 + b1x1。在回归方程中，Y 是响应变量，b0 是常量或截距，b1 是线性项的估计系数（也称为直线斜率），x1 是项值。

项系数表示该项中单位变化对应的均值响应变化。系数的符号表明项与响应之间关系的方向。如果系数为负，随着项递增，响应的均值会递减。如果系数为正，随着项数递增，响应的均值也会递增。

例如，某经理要确定员工在工作技能检验中的分数是否可以使用回归模型 y = 130 + 4.3x 进行预测。在方程中，x 是内部培训的小时数（0 到 20 之间），而 y 是检验分数。系数或斜率为 4.3，这表示每小时培训的平均检验分数按照 4.3 点递增。

有关系数的详细信息，请转到回归系数。

预测变量密度的系数为 –1.517，密度2 的系数为 0.1622。因此，对于二次关系，密度值越大，刨花板平均硬度增加的速度越快。