表9.2，展示了每个模型中个解释变量的偏回归系数，偏回归系数显著性检验的情况，如果显著性水平为0.05，前五个模型中由于都存在回归系数不显著的解释变量，因此这些方程都不可用，第六个模型是最终的方程，回归系数显著性检验的概率值小于显著性水平，因此，被投入人年数被解释变量线性关系显著，它保留在模型中是合理的，最终的回归方程为: 立项课题数=-94.524+0.492 投入人年数
该方程意味着投入人年数每增加一个单位会使立项课题数平均增加0.429个单位
展现了变量剔除方程的过程，各数据项的含义依次是，在剔除其他变量的情况下，如果该变量保留在模型中，其标准化回归系数，检验值和概率将是什么。例如，在模型三中，去除专注的情况下，如果保留，投入高级职称的人年数，那么他的标准化回归系数将为，-0.439，但回归系数的检验不显著，概率值为，0.343.去除投入高级职称的人年数情况下，如果保留专著数，那么他的标准化回归系数将为，-0.103，但回归系数的检验不显著，（概率值为，0.559）
数据点围绕基准线还存在一定规律性，但标准化残差的非参数检验结果，表明标准化传抄与标准正态分布不存在显著差异，可以认为残差满足的线性模型的前提要求。
图，9.中，随着标准化预测值的变化，残差点在周围随机分布，但是，残差的总方差性并不完全满足，差，似乎有增大的趋势，计算机还差与预测值的，相关系数，为，-0.176，见表且检验并不显著，因此认为异方差现像并不明显。
