MS是均方，其值等于相应的SS除以DF。
SS是平均偏差平方和，表示数据的总变化。
DF是自由度，它是计算统一测量时具有无限值的变量数。
F是F的值，F是方差分析的统计量，用于检验回归方程是否显著。
在统计学中，回归分析是指确定两个或两个以上变量之间数量关系的统计分析方法。回归分析按涉及的变量数可分为单回归分析和多元回归分析；按因变量数可分为单回归分析和多元回归分析。
扩展资料：
回归分析内容：
1、确定变量：确定预测的具体目标，然后确定因变量。如果预测目标是下一年的销售量，那么销售量y是因变量。通过市场调研和数据获取，找出相关影响因素，即自变量，从中选择主要影响因素。
2、建立预测模型：根据自变量和因变量的历史统计数据进行计算，建立回归分析方程，即回归分析预测模型。
3、相关分析：只有自变量与因变量之间存在一定的关系，回归方程才有意义。因此，作为自变量，因子是否作为因变量与预测对象相关，相关性如何，相关性程度如何容易判断，是回归分析中必须解决的问题。
4、预测误差的计算：回归预测模型能否用于实际预测，取决于回归预测模型的检验和预测误差的计算。回归方程只有通过各种检验，预测误差小，才能作为预测模型。
5、预测值的确定：采用回归预测模型计算预测值，并对预测值进行综合分析，确定最终预测值。
SS表示离均差平方和，代表数据的总变异；
F表示F值，也就是方差分析求出的统计量，用于检验回归方程是否显著；
DF表示自由度，是计算某一统计量时，取值不受限制的变量个数；
MS表示均方，其值等于对应的SS除以DF。
扩展资料：
以下图为例：
第一列df对应的是自由度( degree of freedom)，第一行是回归自由度df，等于変量数目，即dfr-m;第二行为残差自由度dfe，等于样本数目减去变量数目再减1，即有dife＝n-m-1;第三行为总自由度dt，等于样本数目减1，即有dt＝m-l。对于本例，m＝1，m＝10，因此，dfr＝1，dre＝n-m-1＝8，dft＝n-1＝9。第二列SS对应的是误差平方和，或称变差。第一行为回归平方和或称回归变差SSr，它表征的是因变量的预测值对其平均值的总偏差。
第二行为剩余平方和(也称残差平方和)或称剩余变差Sse，它表征的是因变量对其预测值的总偏差，这个数值越大，意味着拟合的效果越差，上述的y的标准误差即由SSe给出。
第三行为总平方和或称总变差SSt，它表示的是因变量对其平均值的总偏差。容易验证748.8542+16.10676-764.961，而测定系数就是回归平方和在总平方和中所占的比重，显然这个数值越大，拟合的效果也就越好。
第四列MS对应的是均方差，它是误差平方和除以相应的自由度得到的商。第一行为回
归均方差MSr，第二行为剩余均方差MSe，显然这个数值越小，拟合的效果也就越好。
第四列对应的是F值，用于线性关系的判定。
SS表示均值偏差的平方和和数据的总变化量。
F是F的值，F是方差分析得到的统计量，用来检验回归方程是否显著。
DF表示自由度，自由度是在计算某一测量系统时不受限制的变量数。
MS代表均方，其值等于对应的SS除以DF。
扩展资料：
回归分析模型的自由度。当总体由样本估计时，样本中独立或自由变化的数量。如上表所示，自由度的数据等于样本组的数量－1，和回归分析模型的自由度是1，也就是说，回归模型有一个参数，剩余自由度等于总自由度－回归分析模型的自由度。
回归分析SS：回归平方和SSR等于预测Y值（表4）与实际Y均值的平方和。表4残差等于实际Y值减去预测Y值残差SSE，即表4残差平方和。
均方误差，等于SS／df。
F：MS／残差MS的回归分析。
显著性F：为显著性水平上的F阈值，即F检验的P值，表示放弃的概率。这个值通常小于0．05，并且越小越好。
本回答被网友采纳SS Stdev square 方差
MS Mean square 均方差本回答被网友采纳