设1个应变量Y与m个自变量Xi（i=1，2，…，m，m为自变量个数）呈线性相关。从多元回归全模型中取消一个自变量Xi后，回归平方和U减少的部分，称为这个自变量Xi对Y的偏回归平方和（Pi），即这个自变量Xi对Y的回归贡献。关于每个自变量Xi在多元回归中所起的作用大小，可通过相应Xi的偏回归平方和Pi来衡量。Pi表明对Y的回归贡献。Pi越大，表示相应的Xi在回归中对Y的作用越大；当Pi很小时，表示相应的Xi在回归中所起的作用越小。总偏回归平方和（Pt）表示全部Pi之和，如能计算出每个Pi与Pt之比Ri（Pi／Pt，Ri∈［0，1］），根据Ri大小不同，可较快选择出“较优”自变量组合或子集。方法如下：① 估计全模型即包括所有自变量Xi回归方程的残差平方和Q：Q=Y’*Y-Y’*X*（X’*X）-1*X’*X② 计算每个自变量Xi的偏回归平方和Pi［2］：Pi=Qi-Q （i=1，2，…，m）（1）式（1）中Qi表示自变量Xi不在回归模型时的残差平方和，即Y与m-1个自变量X1，…，Xi-1，Xi+1…，Xm的选模型的残差平方和。Q为包括所有自变量Xi回归方程即全模型的残差平方和。至此所计算回归方程总数为m+1个。③ 计算总偏回归平方和Pt ：Pt=ΣPi （i=1，2，…，m）（2）④ 计算各Pi占Pt的比例：Ri=Pi／Pt （Ri∈［0，1］）（3）根据各Ri大小选择自变量，选出“较优”回归方程。⑤ 将Ri按由大到小秩序排列，然后计算累积Ri。一般地，可选择使累积Ri≥095（或085，090，099，需按数据的实际情况而定）的自变量组合，作为“较优”回归模型的自变量组合，从而得到所求“较优”回归方程。
追问你有没有学数学建模呀！！好厉害呀！！