如何分析回归模型的拟合度和显著性

模型的拟合度是用R和R方来表示的，一般大于0.4就可以了；自变量的显著性是根据各个自变量系数后面的Sig值判断的，如果小于0.05可以说在95%的显著性水平下显著，小于0.01就可以说在99%的显著性水平下显著了。如果没有给出系数表，是看不到显著性如何的。回归分析(regression analysis)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。 从一组样本数据出发，确定变量之间的数学关系式对这些关系式的可信程度进行各种统计检验，并从影响某一特定变量的诸多变量中找出哪些变量的影响显著，哪些不显著。利用所求的关系式，根据一个或几个变量的取值来预测或控制另一个特定变量的取值，并给出这种预测或控制的精确程度。其用意：在于通过后者的已知或设定值，去估计和（或）预测前者的（总体）均值。拓展资料：回归模型（regression model）对统计关系进行定量描述的一种数学模型。如多元线性回归的数学模型可以表示为y=β0+β1*x+εi，式中，β0，β1，…，βp是p+1个待估计的参数，εi是相互独立且服从同一正态分布N(0,σ2)的随机变量，y是随机变量；x可以是随机变量，也可以是非随机变量,βi称为回归系数，表征自变量对因变量影响的程度。（资料来源：百度百科：回归模型）

我分析回归模型的离合度和显示度，首先还是看它的成分表，如果合适的话再说

模型的拟合度是用R和R方来表示的，一般大于0.4就可以了；自变量的显著性是根据各个自变量系数后面的Sig值判断的，如果小于0.05可以说在95%的显著性水平下显著，小于0.01就可以说在99%的显著性水平下显著了。如果没有给出系数表，是看不到显著性如何的。　　回归分析(regression analysis)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。 从一组样本数据出发，确定变量之间的数学关系式对这些关系式的可信程度进行各种统计检验，并从影响某一特定变量的诸多变量中找出哪些变量的影响显著，哪些不显著。利用所求的关系式，根据一个或几个变量的取值来预测或控制另一个特定变量的取值，并给出这种预测或控制的精确程度。　　其用意：在于通过后者的已知或设定值，去估计和（或）预测前者的（总体）均值。

模型的拟合度是用R和R方来表示的，一般大于0.4就可以了，你的拟合度还不错；自变量的显著性是根据各个自变量系数后面的Sig值判断的，如果小于0.05可以说在95%的显著性水平下显著，小于0.01就可以说在99%的显著性水平下显著了。你的题目中没有给出系数表，所以我看不到显著性如何。

你的老师不希望您报告nagelkerke r平方或2loglikelihood的值是正确的。线性拟合指数（r平方）logistic回归模型善良是不适用的。 logistic回归，你应该主要善良拟合指数模型的拟合优度hosmer和lemeshow检验的结果是可以接受的，当它的sig值（p值）大于0.05（最好大于0.1）。 业务：logistic回归主界面，点击“选项”按钮，然后选择lemeshow霍斯默善良的拟合统计可以（记得最后点击ok）。这将产生两个hosmer和lemeshow检验结果表，首先是整体的善良的拟合结果，第二个是10％的原始数据拟合结果善良的，你可以第一个表中的结果，结果报告第二个表，我想你的老师可能无法理解，你可以不报告。