F 检验主要用于验证模型中的参数是否显著不为 0。检验 的零假设为 H0:β1=…=βk=0;H1:β1=…=βk≠0；检验统计量F= 服从于自由度为（k，n-k-1）的F 分布。若F＞Fα（k，n－k-1），则拒绝零假设，认为回归方程是显著的；反之则不能拒绝原假设。
　　本模型中由OLS 回归结果可以看出，取显著性水平α ＝0.05，查 F 分布表得Fα＝0.05（4，31）=2.68，模型的线性关系在95%的置信度下是显著的；当置信度为0.05 时，F 检验统计量的伴随概率P（F-statistic）也小于0.05，表明了该初步模型总体回归显著拟合度高。
　　5.3.3 变量的显著性t 检验
　　对于多元线性回归模型，还需要对各个变量的显著性进行t 检验，测定各个解释变量对因变量是否有显著影响。
　　本模型中由OLS 回归结果可以看出，当α ＝0.05，查表得tt0.025(31)=2.042，可见，x2、x3、x4所对应的t 检验统计量t值都大于该临界值，表示模型选取的这三个解释变量都显著；但x1及常数项参考估计值未能通过t检验。
　　5.3.4相关系数检验
　　利用Eviews软件对多元线性回归模型中自变量冷水降温量（x1）、加冰量（x2）、一次风冷骨料降温量（x3）、二次风冷骨料降温量（x４）的相关系数进行分析，其结果如表5所示：
　　由表中数据可以发现x1与x4、x2与x3间存在高度相关性，x3与x4之间有很强的替代性，不能全部作为因变量来建立函数关系。利用逐步回归方法对自变量进行筛选以确定最优的自变量，通过剔除x3、x4可以消除多重共线性，得到最后预测模型：
　　=12.055x1+438.692x2+0.584 （2）
　　（27.18） （44.39）（2.18）