正的里程系数表示车龄相同的两辆车，平均来说开得多的那辆更贵。把 Kms_Driven 除以 Registration_Age 算出年均里程，清理后的记录分成差别很大的两类：

后一类只有 0.57% 的行，均价是前一类的 6 到 8 倍，里程又高，所以对 OLS 的影响远超过它们的行数。排除这些行再跑一遍，里程系数的变化如下，单位是 Rupees／km，后三行的模型含车龄、里程、马力、事故和保养：

从只放里程到里程加车龄，两列的系数都往上走，幅度约 2.1 和 1.2 Rupees／km，这一点在两个样本上都成立。系数越过 0 变成正数只发生在清理后这一列。车龄固定在 10 年时，按里程分成低、中、高三档，非豪华组的车价中位数是 788,558、701,954、632,001，豪华组是 2,364,809、2,297,304、2,230,684，两组都在下降。

报告可以两套结果都写：Table 1 放主结果，Section 3 放排除后的结果。这 5,686 行有没有录入错误证明不了，因为数据没有车辆 ID 可以核对；25,000 这个门槛是看过数据才定的，要标明是探索性检验。正系数因此不足以支持平台给高里程车加价。

ToolPak 只能放 16 个 X

候选变量有 11 个数值和状态变量（Year 和 Registration_Age 相加恒等于 2025，只留一个），Fuel_Type、Transmission、Owner_Type、Color、City 编码后还有 25 个 dummy，Pooled_Model 再加 Luxury，一共 37 个。官方说明 ToolPak 上限是 16 个 X，放不进同一次回归。

这 37 个要分批放。先放 11 个数值和状态变量，Pooled_Model 加上 Luxury，三个模型都留下车龄、里程、马力、事故和保养。然后在留下的变量上分批加 dummy：Owner_Type、Transmission、Fuel_Type 一批，Pooled_Model 这时正好 16 个 X；City 和 Color 各一批。这些 dummy 都没有留下来。分批筛选和一次放满 37 个得到的变量相同，这个安排和依据写进 Section 1。

每去掉一个有空白的变量，行数都会变。起步那轮有 775,565 行，因为 Mileage_kmpl、Engine_CC、Horsepower 各有约 8% 空白，缺失的行不完全重合。去掉 Mileage_kmpl 和 Engine_CC 以后，要回到清理后的表重新筛完整记录，行数升到 916,397。相邻两轮的系数变化要分清来自变量还是样本，Table 1 报告筛选结束时的行数。

Engine_CC 和 Horsepower 的相关系数是 0.839。两列同时放入时 Engine_CC 的 p 值是 0.71，去掉 Horsepower 只放它时系数是 109.37 Rupees／cc，t 值约 48。所以报告写它的信息和马力重叠，不写成排量对价格没有影响。

两组系数比金额也比比例

两个模型留下的变量相同，决定因素的种类没有变，变化在系数大小上。事故和保养的金额差在统计上不显著：系数差除以两个标准误平方和的平方根，z 值只有 −1.4 和 0.6。这个 z 值沿用 M2 的两样本公式，要写明两组样本相互独立。放到各组的典型车价上，相近的金额对非豪华车的分量约是豪华车的三倍。

车龄这一行金额差 3 万多 Rupees。排除那 5,686 行以后，每年的折价变成 −30,712 和 −29,818，金额差几乎消失。比例上豪华组约 −1.4%，非豪华组约 −5.2%，差别仍在。所以写给平台的折价结论用比例比用金额稳定。

模型能帮平台做到哪一步

官方要求 Executive summary 说清统计结果对平台有用还是没用。三个模型的 R-squared 是 0.092、0.310、0.491。Pooled_Model 的数字高，主要来自两组之间的价差：在清理后的样本上单放 Luxury，R-squared 已经约有 0.389。

单车报价要看 SE of regression。豪华组是 1,325,281 Rupees，相当于该组中位价的 62%；非豪华组是 484,745 Rupees，相当于该组中位价的 83%。Pooled_Model 还有 9,677 行预测价低于 0。这些数字都来自估计模型用的那批数据，没有独立样本验证，数据里也只有挂牌价，没有成交价。

按这些证据，模型可以给估价人员当起点，也可以用来筛出明显偏离的挂牌，还不足以支撑自动的单车即时报价。