线性回归问题，欢迎探讨

小弟从公司近两年的生产数据中整理出的的数据进行线性回归方程拟合，数据如下：
X1 X2 X3 y
1.5 0.25 1.0 17.02
1.5 1.20 2.8 16.69
1.4 0.25 0.5 15.30
3.0 0.00 1.0 18.60
2.8 0.30 2.8 19.29
3.0 0.20 1.0 19.49
5.3 0.20 2.0 23.33
6.0 0.00 2.0 25.38
4.8 0.00 2.0 21.86
6.0 0.00 1.5 26.39

minatib三元回归分析如下：

回归分析: y 与 X1, X2, X3

回归方程为
y = 12.8 + 2.09 X1 + 0.78 X2 - 0.035 X3


方差膨
自变量 系数 系数标准误 T P 胀因子
常量 12.8286 0.8479 15.13 0.000
X1 2.0902 0.2486 8.41 0.000 2.726
X2 0.779 1.415 0.55 0.602 3.322
X3 -0.0355 0.5374 -0.07 0.949 2.325


S = 0.835792 R-Sq = 96.7% R-Sq（调整） = 95.1%

PRESS = 15.2490 R-Sq（预测） = 88.07%


方差分析

来源 自由度 SS MS F P
回归 3 123.662 41.221 59.01 0.000
残差误差 6 4.191 0.699
合计 9 127.853


无仿行。
不能进行纯误差检验。


Durbin-Watson 统计量 = 2.07454

无证据显示失拟 (P >= 0.1)。

其结果看到 X2，X3分别为0.602和0.949，是否可以认为x2,X3回归不显著，可以忽略掉？而实际情况下X2对y值有很大的影响，是不是X2的数据量太少？方程可以拟合为：

回归分析: y 与 X1

回归方程为
y = 13.3 + 2.00 X1


方差膨
自变量 系数 系数标准误 T P 胀因子
常量 13.2754 0.5375 24.70 0.000
X1 1.9999 0.1363 14.67 0.000 1.000


S = 0.756922 R-Sq = 96.4% R-Sq（调整） = 96.0%

PRESS = 7.59658 R-Sq（预测） = 94.06%


方差分析

来源 自由度 SS MS F P
回归 1 123.27 123.27 215.16 0.000
残差误差 8 4.58 0.57
失拟 5 3.62 0.72 2.26 0.267
纯误差 3 0.96 0.32
合计 9 127.85

4 行不含仿行
Durbin-Watson 统计量 = 2.08470

无证据显示失拟 (P >= 0.1)。


请各位大侠指教！