方差分析表提供了关于完整回归模型、各主效应（及交互作用）以及残差平方和的信息。 表格的第一行显示了因变量（Y）的变异性，未考虑其他变量或回归模型。该值计算为每个Y值（yi）与所有Y值的均值（y̅）之差的平方和。该值在方差分析表的底行中报告为总平方和。

数学上，SStotal = Σ[(yi - y̅)²]

随后，它计算实际 Y 值（输入数据表中因变量的值，即 yi）与回归模型预测的 Y 值（ŷ）之间偏差（差值）的平方和。这就是残差平方和。

同样，数学上，SSresidual = Σ[(yi - ŷ)²]

这两个 SS 值之间的差即为回归的平方和。

SStotal - SSresidual = SSreg

方差分析表计算出 F 比值，该值用于计算 P 值。该 P 值用于检验零假设：即回归模型完全无效，因此回归模型的预测结果并不比直接预测每个 Y 值等于所有 Y 值的均值更好。只有当该 P 值较小时，才值得查看其他回归结果。

在回归信息正下方，模型中包含的每个主效应和交互作用项都会被列出，并附有其第三类平方和、自由度、均方（等于平方和除以自由度）、F统计量（等于该项的均方除以残差的均方）以及根据该F统计量确定的P值。

方差分析表中报告的 P 值提供了该项对模型总体效应的信息。对于连续变量的参数，这些 P 值与结果表中“参数估计”部分显示的 P 值相同。在这两种情况下，P 值都是基于“该项效应为零”的零假设确定的。 对于 ANOVA 表中的 P 值，这意味着比较包含特异性项的模型与不包含该项的模型是否相同。对于“参数估计”部分中的 P 值，这意味着比较 β 系数是否等于零。

对于具有两个或更多水平的分类变量（或包含这些参数的交互作用），其解读有所不同。对于这些项，方差分析表中给出单一 P 值，而分类变量的每个水平（或交互作用）都会计算出单独的 P 值（参考水平除外）。 方差分析表中的 P 值仍用于检验“包含该项的模型与不包含该项的模型相同”这一零假设。该 P 值无法用于确定哪些具体水平或交互作用具有统计学意义。此外，“参数估计”部分中这些变量的 P 值，各自代表该具体水平（或交互作用）与该变量的参考水平之间的比较。未提供不同水平之间的比较信息（仅提供单个水平与参考水平的比较）。