只有一张结果图表不太容易给出深入的解读。

不知道你在运行回归前有没有进行数据预处理，比如去除无效数据，处理缺失数据，归一化，等等。如果没有归一化，很容易出现回归系数相差巨大的情况。比如有的系数小于0.01，有的大于5000。归一化后系数不会有这么大的差别，比较容易解读。

看一个变量在一个模型中是否重要，有很多方法。统计学显著性是其中之一。如果一个变量有统计学显著性，这个变量可以认为是一个重要的变量。根据这个变量的分布范围和回归系数，可以知道预测值对这个变量的敏感度。比如我们可以说当年龄增长一岁，CSR增长约2。 而一些无关紧要的变量，变成这个模型的噪音，可以试试去掉一些无关紧要的变量再重新做回归分析。这样得到的结果更准确。去除不重要的变量，可以用一个简单的启发式分析方法：先用一个变量做回归，对所有变量都做一次，然后选择显著性最大的变量作为第一个变量，然后以第一个变量结合剩余变量中的另一个变量再做回归分析，对剩余变量都做一遍，选择显著性最高的变量作为第二个变量，重复这个过程直到模型的整体显著性不是明显增加。也可以反向运作：先以全部变量一起做回归，然后去掉一个变量再做回归，对所有变量都做一遍后， 去除掉对整体显著性影响最小的变量，然后重复这个过程，直到去除任何一个变量都会使显著性明显降低为止。这样就可以用少数变量建立模型，并且更准确的解读这些变量对预测值的影响。

R2本身大小不一定说明模型好还是不好。如果要知道模型是否有统计学意义，直接看模型的显著性，这个会告诉你的回归是否有统计学显著性。还可以做个残差分析，看看残差的分布。另外，变量较多时，用adjusted R2可能更好。

在做统计分析时，除了讲出一个变量的作用外，如果能找出一些理由，就更好了。比如说，你发现年龄跟CRS的关联，那你可以试着去解释，并且引用一些文章来证明你的解释是正确的。

这个结果只能说明董事会越大，财务绩效（ROE、ROA）越低，对CSR的影响并不显著。R2并不重要。主要是能得到结论似乎意思不大。

R-squared = Explained variation / Total variation

R-squared is always between 0 and 100%:

0% indicates that the model explains none of the variability of the response data around its mean.
100% indicates that the model explains all the variability of the response data around its mean.
In general, the higher the R-squared, the better the model fits your data. However, there are important conditions for this guideline that I’ll talk about both in this post and my next post.

那 nation age 和 direction 对csr不是有影响么

对这个是显著的