在上一节线性回归内容中，我们提到了多元线性回归
例如下图中，左边是一元线性回归，右边是二元线性回归,中间为体长观察值的均值。
通过计算R2, 可以得知每一种回归模型对于体长的解释程度。
但是如何判断，在回归模型中，增加的尾巴长度这个变量，是否会使得体长预估更为精确呢？
无论是一元回归，还是多元回归，我们都可以通过F值计算每一个回归模型的P值。如果不是很清楚这部分内容，可以回顾上一节线性回归。
如果将上图F值公式中，SS(mean)和pmean对应体长均值模型数据，SS(fit)和pfit对应不同回归模型的数据。(注意这里的p是指自由度，不是P值)
思考一下，我们现在获得回归模型fit，需要评价一下这个模型的优劣。因此，需要将fit同mean做比较。
现在想要评价Multiple regression对比Simple regression的优劣，如何处理呢？
OK，如果将SS(mean)/pmean置换为SS(simple)/psimple，SS(fit)/pfit置换为SS(mutilple)/pmultiple，我们就可以直接在多元回归模型和一元回归模型之间做比较了。
如果R2multiple大于R2simple，同时P值小于0.05的话，那么增加尾巴长度这个变量，对于体长的预估是有利的。
申明
本文是根据StatQuest系列视频整理而来
已获得Josh Starmer授权说明
感谢久久琼殷不辞辛苦将视频转载至B站
Permmsion
