全回归法工作时的明显优点之一

使用表1-2数据，选用模型类型1所做回归分析，共运行三轮（第二轮结果未列出），取得了本身高度显著，所含变量也全都高度显著的回归方程，工作完成。笔者所见所有国内引用此例的回归文献给出的模型皆为此模型（式（1.2））。

整个回归过程中，除开始需由人向机器输入数据和选择模型类型外，再不需人为干预，计算机承担了所有回归工作，并且一气呵成，总需时约1秒（笔者用机频率1.7GH），这是使用全回归法工作时的明显优点之一。

不必怀疑回归方程的正确性，若不放心，可任选一组或几组原始观测变量数据代入所得方程，看能否算得表1-5的回归结果。

本次，该批数据选用线性模型做回归，得到了含两个变量的模型，拟合所得标准偏差s为2.406，相对偏差z约为2.5（%），原指标值与回归值的最大偏差出现在第6号数据上，数值为4.047。通常，随回归中不显著变量的不断剔除，或随回归方程纳入的变量数越来越少，回归方程对数据的拟合效果也要渐渐变差。

也可另选模型类型做回归分析，例如选择模型类型2。

模型类型2除含变量一次项外，还含有变量二次项，为非线性模型，但无交互项，实际回归变量共8个。因当前回归程序RR处打开状态，可直接打入启运指令“F5”，再打入“2”并回车，程序即按使用模型类型2的规定开始运行。运行状况同前，多次出现暂停，欲观察中间结果，可转成黑屏观察，各项中间结果的意义一如前述。观察本次运行结果会发现，此时的拟合效果已有明显改进，这既体现了“项数越多可拟合越好”的规律，也说明实际过程数据的规律更符合模型类型2。最后一轮的输出结果中，变量拟合的最大偏差发生在11# 数据上，只有1.31， 剩余平方和Q只有5.4， s值1.04， z值1.09，变量的最后状态为 “1　1　1　1　0　1　1　1”，即在此包含变量二次项的模型中，只有“