回归模型是一种用于预测连续变量的统计方法，它通过分析自变量与因变量之间的关系来建立模型。在回归模型中，有一些常见的参数需要我们了解和掌握。
1.截距（Intercept）：截距是回归线与y轴交点的纵坐标值。它表示当所有自变量都为0时，因变量的预测值。
2.斜率（Slope）：斜率是回归线与x轴的夹角的正切值。它表示自变量每增加一个单位，因变量预期增加的数量。
3.R平方（R-squared）：R平方是一个统计学概念，用于衡量回归模型对数据的拟合程度。它的取值范围在0到1之间，越接近1表示模型拟合得越好。
4.标准误差（StandardError）：标准误差是回归模型预测值与实际观测值之间的平均差异。它反映了模型预测的准确性。
5.t统计量（t-Statistic）：t统计量是回归系数除以其标准误差的结果。它用于检验回归系数是否显著不等于0。
6.P值（P-value）：P值是t统计量的伴随概率，用于检验回归系数是否显著不等于0。通常，如果P值小于0.05，我们认为回归系数是显著的。
7.F统计量（F-statistic）：F统计量是回归模型整体拟合优度的度量。它用于检验回归模型中所有自变量是否同时对因变量有显著影响。
8.Pillai'sTrace：Pillai'sTrace是多元线性回归模型中的一种拟合度度量，它类似于R平方，但适用于多元线性回归模型。
9.AkaikeInformationCriterion(AIC)：AIC是一种衡量回归模型复杂度和拟合优度的指标。它越小表示模型越好。
10.BayesianInformationCriterion(BIC)：BIC也是一种衡量回归模型复杂度和拟合优度的指标。它同样越小表示模型越好。