Да еще совсем забыла написать, для чего надо уметь описывать результаты графиков, так как на графике могут быть зафиксированы ошибочные наблюдения, (эти же наблюдения видны в таблице остатков или выбросов). Умение находить такие наблюдения и исключать их из дальнейшего анализа позволяет получать более точные уравнения.
вот небольшой пример того, как после исключения нескольких наблюдений модель улучшилась

Я посмотрела пример и не поняла, как определить выделяющиеся выбросы и как их исключить?

1) Подскажите, как правильно сформулировать предположения по поводу улучшения модели! Я предлагаю так: Модель можно улучшить исключив не значимые факторы. Правильно?

2)Мультиколлинеарность выявляется с помощью частного коэффициента корреляции. У меня он близок к 0, значит мультиколлинеарность есть, но она не значима. Так? Что-то еще нужно сказать?

Коэффициент при х4 0,405 это коффициент "чистой" регрессии???

5) На счет выводов также! Что именно должно быть указано в общих выводах???

Как раз для этого и искала!
Смотрим rх1х2=-0,19. Это близко к 0, значит определитель матрицы близок к 1, следовательно мультиколлинеарность слабая или не значима. Так?

Правильно но не только. В данном случае если рассматривается только линейная модель, то да исключая не значимые переменные. + исключая выбросы....
Как определить выбросы по таблице, это если остатки не попадают в интервал -S +S (левая часть таблицы)
Если по графику, то для начала надо построить график остатков именно для данной модели, а не для каждого фактора...
1)А где у Вас частные коэффициенты корреляции близки к 0? Может я просто что то упустила?
2)Я не это имела ввиду. Я хотела что бы Вы написали на что конкретно указывает данный коэффициент. Судя по данным у Вас Х4 - это жилая площадь квартиры. (м^2), так как у Вас изменится стоимость всей квартиры если жилая площадь увеличится на 1 м^2?
3)Ну как бы любая работа преследует какую то цель. Вы должны объяснить какая перед Вами ставилась цель, что в ходе работы было получено, на чем Вы остановились и почему. А так же рекомендации скажем обычному маклеру, о назначении цены ориентируясь на имеющиеся данные....
1)Да? а чему равно rX1X3 или rX1X4?

1) rX1X3=0,8, rX1X4=0,8. Но таких r меньше! Больше тех, что близки к 0!

Я не знаю как учили Вас в институте и как объясняли.
Но что значит если парный коэффициент корреляции Х1 Х3 близко к 1?
Это значит что переменные Х1 и Х2 зависимы.
А если в Вашу модель включены зависимые между собой факторы, то мультиколлинеарность ЕСТЬ!

По второму пункту да. Но вот так надо по всем коэффициентам описать...

Нет, мультиколлинеарность есть, конечно! Но в нашем примере она не значима и поэтому мы ничего с ней делать не будем, нам вроде так объясняли((( Или в моем примере с ней что-то нужно делать???
На счет всех коэффициентов это в выводе написать или после модели где-то???
Скажите, во сколько вы завтра будете здесь? Я постараюсь зайти! А то мне не понятно на счет остатков и выбросов! Как их исключить? Statistica показывает то же самое, хотя я удалила выбросы!

В вашем примере нельзя говорить о незначимости мультиколлинеарности, так как у Вас есть зависимые между собой факторы (которы должны быть не зависимы)
Вот смотрите напримере:
Пусть Х1=а*Х3+в
Вы строите зависимость У (Х1; Х3)=а1*х1+а2*х3+с
Так как у Вас Х1=а*Х3+в, то что нам это дает:
У (Х1; Х3)=а1*х1+а2*х3+с=а1*(а*Х3+в)+а2*Х3+с=...=d1*X3+Q
В результате если у вас есть зависимые переменные, то вы их исключили и осталась только 1 (У(Х3)...)
Это все и проделывает программа в пошаговой регрессии
Мультиколлинеарность исправляется все тем же исключением зависимых переменных, просто мультиколлинеарность объясняет почему некоторые из Ваших факторов являются не значимыми....
Вы ее дальше и устраняете... В результате после исключений всех не значимых переменных у Вас и остался только фактор Х1....
По поводу выбросов надо смотреть непосредственно на результат, так не могу сказать пока ничего.
Выводы по модели желательно писать после каждой найденной...

Итак, я интерпретировала все коэффициенты при Х, написала общие выводы и избавилась от мультиколлинеарности. Проверьте пожалуйста.
Еще такие вопросы:
1) Какие комментарии к графикам описать?
2) Какой комментарий к Статистике Дарбина-Уотсона написать? Такой?
"DWрасч = 2,33067, DWU = 0,2989. Так как расчетное значение статистики Дарбина – Уотсона больше верхнего критического значения, то модель стационарна и фактор времени не значим."

А с выбросами у меня не получается((( Я их удаляю и что? Результаты множественной регрессии те же. И модель не меняется... Я не могу файл прикрепить, места не хватает почему-то.