最简单的，看回归的各解释变量的系数的p值是否小于0.05，若其中的某个解释便来那个的系数的p值小于等于0.05，则表明该变量对被解释变量有显著的影响，否则则是影响不够显著。（0.05是一个通用的显著性水平选择，也可以视模型的需要选择更大的如0.1或者更小的如0.01等等）

通常软件中回归结果中都有一个F统计量的值，看其p值是否小于0.05，若是小于，则该回归模型在总体上是有意义的，是显著的。否则说明模型建立的不够好。

一般线性回归的运行结果有四个表。结合你的问题，我做如下回复：

variables entered/removed说明的是进入模型的解释变量。

model summary中涉及R²和调整后的R²。判定系数R²表示回归平方和在总平方和总所占的比率，即回归方程所能解释的因变量变异性的百分比，这个百分比越高说明解释的越好。如果线性回归的解释变量有多个，会使判定系数R²虚高，因此，对于多元线性回归通常会引用调整后的判定系数R²。

最直接的评价模型的优劣的地方，在ANOVA表中。F值表明ANOVA方法计算的结果，sig表明F值对应的显著性。检验时候选择的置信水平一般是0.01或者0.05，当sig的数值小于选定的置信水平时，可以认为线性模型整体通过检验。

coefficients是针对模型中的解释变量和常数（如何拟合的模型中有的话）的评价。每个变量的系数对应一个t值，sig表明t值的显著性。同样，检验时候选择的置信水平一般是0.01或者0.05，当sig的数值小于选定的置信水平时，可以认为对应变量系数显著不为零，即该变量设置有用。如果当sig的数值大于选定的置信水平时，此变量需要变换形式或者删掉。

真的很感谢啊