用户可以先试着画一个散点图，看看是否可以使用其他曲线来获得更好的拟合效果，在很多情况下，对数据进行线性或某些非线性拟合会有显著的效果，但可能不是最好的，所以有必要判断自变量与因变量之间是否呈线性关系。
R方和调整后的R方是对模型拟合效果的描述，调整后的R方更准确，即自变量对因变量的解释率为27.8%，T为各自变量是否有显著影响的检验，具体的显著性仍然取决于随后的P值，如果p值< 0.05，则自变量影响显著。
扩展资料：
注意事项：
多元线性回归的基本原理和基本计算过程与一元线性回归相同。但由于自变量较多，计算比较麻烦。在实际应用中，一般需要统计软件。这里只介绍了多元线性回归的基本问题。
但由于每个独立变量单位可能不同，如消费水平之间的关系、工资水平、教育水平、职业、地区、家庭负担，等等因素会影响消费水平，而这些影响因素（自变量）单位显然是不同的，所以独立变量系数的大小并不意味着之前的因素重要程度。
简单地说，相同工资收入以元计算的回归系数小于以百元计算的回归系数。然而，工资水平对消费的影响并没有改变。因此，有必要寻找一种方法将自变量积分为统一单位。我们之前学过的标准分数有这个功能。
首先将所有变量包括因变量转化为标准分数，然后进行线性回归。在这种情况下，得到的回归系数可以反映相应自变量的重要性。
在用SPSS做一个线性回归分析，结果如图，R方很低，但是显著性都还可以。问题是这个模型预测效果很差。
R方测度了回归直线对观测数据的拟合程度，如果说所有的观测点都落在直线上，则SSE=0，此时R方=1,拟合是完全的，如果y的变化与X无关，则SSR=0，也就是 R方=0，所以可以得到R方的取值范围在【0,1】，同时根据计算公式，也可以得到，R方越接近1说明SSR占SST的占比越大，也就是说明模型拟合越好，反之，如果R方越接近1，说明SSR占SST的占比越小，被解释部分越少，模型拟合越差。
一般在线性回归模型中，如果R方值为0.25，则说明这只能解释模型总变差的25％，但是在模型中研究者更多会关注自变量对因变量是否有影响，R方只是简单的输出说明。
R方可以自己计算也可以借助数据分析工具进行输出，这里利用SPSSAU举例进行说明。
从结果可以看出，不良贷款（亿元）会对本年累计应收贷款（亿元）产生显著的正向影响关系。贷款项目个数（个）并不会对本年累计应收贷款（亿元）产生影响关系。并且模型R方值为0.556，意味着不良贷款（亿元）,贷款项目个数（个）可以解释本年累计应收贷款（亿元）的55.6%变化原因。