β也就是beta，代表回归系数，标准化的回归系数代表自变量也就是预测变量和因变量的相关，为什么要标准化，因为标准化的时候各个自变量以及因变量的单位才能统一，使结果更精确，减少因为单位不同而造成的误差。
T值是对回归系数的t检验的结果，绝对值越大，sig就越小，sig代表t检验的显著性，在统计学上，sig<0.05一般被认为是系数检验显著，显著的意思就是你的回归系数的绝对值显著大于0，表明自变量可以有效预测因变量的变异。
F是对回归模型整体的方差检验，所以对应下面的p就是判断F检验是否显著的标准，你的p说明回归模型显著。R方和调整的R方是对模型拟合效果的阐述，以调整后的R方更准确一些，也就是自变量对因变量的解释率为27.8%。
扩展资料
线性回归的基本应用：
线性回归是回归分析中第一种经过严格研究并在实际应用中广泛使用的类型。这是因为线性依赖于其未知参数的模型比非线性依赖于其位置参数的模型更容易拟合，而且产生的估计的统计特性也更容易确定。
线性回归模型经常用最小二乘逼近来拟合，但他们也可能用别的方法来拟合，比如用最小化“拟合缺陷”在一些其他规范里（比如最小绝对误差回归），或者在桥回归中最小化最小二乘损失函数的惩罚.相反,最小二乘逼近可以用来拟合那些非线性的模型.因此，尽管“最小二乘法”和“线性模型”是紧密相连的，但他们是不能划等号的。
参考资料：百度百科—线性回归
线性回归中的β、T、R、F、S、Q分别代表以下含义：
β：代表回归系数，即自变量X和因变量Y之间的相关关系，只有在标准化的时候各个自变量以及因变量的单位才能统一，使结果更精确。
T：代表统计量的值，在线性回归分析里，我们的检验的假设是“X的系数=0”，所以T值(的绝对值)越大越好，因为越大，就说明检验的假设越不可能发生，这样，X和Y的关系就越显著。
R：代表线性回归方程的相关系数，描述线性关系的强度和方向，其值范围为-1到1之间，越接近于1或-1表示关系越强，越接近于0表示关系越弱。
F：代表F值，也就是方差分析求出的统计量，用于检验回归方程是否显著。
S：代表离均差平方和，即数据的总变异。
Q：没有明确的定义，在线性回归模型中通常不使用这个指标。