回归分析
回归系数:在回归方程中表示自变量x对因变量y影响大小的参数。回归系数越大表示x 对y 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。
标准化系数beta：用来比较变量之间的相对重要性
t值以及t值双尾显著性水平：显著性检验的T统计量。Sig小于0.05满足显著性检验。
复相关系数：是测量一个变量与其他多个变量之间线性相关程度的指标。复相关系数越大，表明变量间的线性相关程度越大。
R^2和调整的R^2（拟合优度）：是指回归直线对观测值的拟合程度。度量拟合优度的统计量是可决系数（亦称确定系数）。R^2的值越接近1，说明回归直线对观测值的拟合程度越好；反之，R^2的值越接近0，说明回归直线对观测值的拟合程度越差。
D-W统计量：如果d=2则基本没有自相关关系，d靠近0存在正的相关关系，d靠近4则有负的相关关系。
标准化残差的标准P-P图（正太概率图）：如果样本数据来自正太分布的话，则所有的散点应该分布在对角线附件。
共线性检验：VIF越大，说明模型是有缺陷的，存在多重共线性。
因子分析
系数：如果相关系数矩阵中的大部分系数都小于0.3，即变量之间大多为弱相关，原则上不适合进行因子分析。
KMO和Bartlett球形度检验：KMO值越接近于1越适合做因子分析，而Bartlett球形度检验的原假设是相关系数矩阵为单位阵，如果sig的值拒绝原假设表示变量之间存在相关关系，适合做因子分析。
时间序列分析
平稳的R方：取正值的时候表示模型要优于简单均值模型。
R方：表示该模型所能解释的数据变异占总变异的比例。当时间序列含有趋势或季节成分的时候，平稳的R方统计量要优于R方统计量。
标准化的BIC：BIC值表示的是模型对数据的释度，BIC值越小，该模型对数据解释力越强
参数检验
单样本T检验:当sig大于0.05时，接受原假设。即无显著性差异。
独立样本T检验：若概率p 值小于给定的显著性水平（一般为0.05），则拒绝原假设，认为两个总体的方差不等；否则认为两个总体的方差无显著性差异。
卡方检验：卡方检验的零假设H0是“总体服从某种理论分布”，其对立假设H1是“总体不服从某种理论分布”。
二项分布检验：二项分布检验正是要通过样本数据检验样本来自的总体是否服从指定的概率为p的二项分布，其零假设H0是：样本来自的总体与指定的二项分布无显著性差异。
游程检验：主要用于检验一个变量两个值的分布是否呈随机分布，即检验前一个个案是否影响下一个个案的值，如果没有影响，这一组个案便是随机的。如果概率值小于显著性水平，则拒绝原假设，认为变量的分布不是随机的，反之认为变量值的出现是随机的。
本文来源：https://www.2haoxitong.net/k/doc/eddec35458fb770bf68a5505.html
文档为doc格式