模型公式显示在智能分析中，可直接使用。
本例中得到的分析结果为：
产品、促销、个性化服务、保护隐私四个变量对购买意愿有正向影响关系。
到这里很多人认为已经分析完了，可以得出结果，实际上还远远没结束。回归模型有很多限制条件，上述步骤里我们只是构建了模型，至于模型质量如何，模型是否满足线性回归的前提条件，都需要在这一步进行确认。
通常需要对线性回归模型检验以下几个方面：
多重共线性
在进行线性回归分析时，容易出现自变量之间彼此相关的现象，我们称这种现象为多重共线性。
当出现严重共线性问题时，会导致分析结果不稳定，甚至出现回归系数的符号与实际情况完全相反的情况，因而需要及时进行处理。
①诊断指标
检验多重共线性，可查看分析结果中的VIF值。
VIF>5说明存在共线性问题，VIF>10说明存在严重的多重共线性问题，模型构建较差，需要进行处理。
②处理方法
（1）增加分析的样本量，是解释共线性问题的一种办法，但在实际操作中较难实现。
（2）对自变量进行相关分析，找出相关系数高的变量，手工移出后再做线性回归分析。
（3）采用逐步回归法，让系统自动筛选出最优分析项，剔除引起多重共线性的变量。
（4）如果不想涉及核心自变量，不希望剔除，可使用岭回归分析。
残差独立性（自相关）
残差独立性是线性回归方程的基本前提之一。如果回归方程存在自相关，说明可能存在与因变量相关的因素没有引入回归方程，整体模型构建较差。
①诊断指标
D-W值用于判断自相关性，判断标准是2附近即可(1.8~2.2之间)，如果达标说明没有自相关性，即样本之间并没有干扰关系。
