做t 检验：设原假设为0:0=i H β，
i t 统计量服从自由度为n-p-1＝６的t 分布，给定显着性水平0.05，查得单侧检验临界值为1.943，X1的t 值=1.942<1.943，处在否定域边缘。 X2的t 值＝2.465>1.943。拒绝原假设。
由上表可得，在显着性水平0.05α=时，只有2x 的P 值<0.05,通过检验，即只有2x 的回归系数较为显着 ；其余自变量的P 值均大于0.05，即x1，
x2的系数均不显着。
第四章
4.3 简述用加权最小二乘法消除一元线性回归中异方差性的思想与方法。
答：普通最小二乘估计就是寻找参数的估计值使离差平方和达极小。其中每个平方项的权数相同，是普通最小二乘回归参数估计方法。在误差项等方差不相关的条件下，普通最小二乘估计是回归参数的最小方差线性无偏估计。然而在异方差的条件下，平方和中的每一项的地位是不相同的，误差项的方差大的项，在残差平方和中的取值就偏大，作用就大，因而普通最小二乘估计的回归线就被拉向方差大的项，方差大的项的拟合程度就好，而方差小的项的拟合程度就差。由OLS 求出的仍然是的无偏估计，但不再是最小方差线性无偏估计。所以就是：对较大的残差平方赋予较小的权数，对较小的残差平方赋予较大的权数。这样对残差所提供信息的重要程度作一番校正，以提高参数估计的精度。
加权最小二乘法的方法：
4.4简述用加权最小二乘法消除多元线性回归中异方差性的思想与方法。
答：运用加权最小二乘法消除多元线性回归中异方差性的思想与一元线性回归的类似。多元线性回归加权最小二乘法是在平方和中加入一个适当的权数i w ，以调整各项在平方和中的作用，加权最小二乘的离差平方和为：