说明线性回归效果不好

高人哥哥来给你指点啊。

线性回归系数越大表示自变量x对因变量y的影响越大，正回归系数表示y随x增大而增大，负回归系数表示y随x增大而减小。

自变量x对因变量y的影响是否显著与其回归系数w有关，但又不是完全由它的大小决定。你还需要进行假设检验，得到总偏差平方和矩阵L，而是由系数w与矩阵L中的对角项平方Lii的比值决定。

例如
y=b0+b1*x1+b2*x2+b3*x3；
通过一组样本回归后你得到
b0＝43.67(解决)   b1=1.7848   b2=-0.083397   b3＝0.16113
你获得总偏差平方和矩阵L的各对角项的值。计算一个新的量bi'=bi/sqrt(Lii);
对这个新的量你进行Fscore计算
最后结果为F1=11, F2=0.04,F3=2.08

变量x1高度显著，保留。变量x3，中度显著，保留。而变量x2不显著，应剔除。

所以妹妹，光凭系数跟1相比的大小是说明不了任何问题的。必须要做进一步的分析。
此外，如果你想简单的凭系数去说明问题，可以先将所有的数据都归一化（例如z-score），然后回归之后，虽然系数不能说明哪个变量显著重要，但还是可以判别出哪个变量相对重要。

此外，如果你的数据x的范围是0-0.1，x2的范围是1-1000.那么可能出现，x1的系数是12.8，而x2的系数是0.52.这个时候，你觉得x1的影响比x2大，但实际上这是没有任何意义的。

所以若简单的透过系数看影响，在回归之前必须对数据归一化。如何你要做深入的统计分析，则必须做进一步的假设检验。

妹妹，记得给哥哥经验和评分哦。