模型的回归系数表中，第4列为各变量回归系数为0的显著检验p值，从中可以看 出Age对应的p值为0.665>常用的显著性水平0.05，故不显著。也即接受原假设Age的系数为 0。所以本题选A。

要判断哪些回归系数不显著，我们需要查看回归模型的输出结果，特别是每个回归系数的p值。通常，当p值小于0.05时，我们认为这个系数显著；当p值大于0.05时，我们认为这个系数不显著。

由于你提供的只是一个图像链接，并没有实际的回归分析结果，我无法直接查看具体的p值。因此，我将为你提供一个一般的步骤和方法来判断回归系数的显著性：

1. **运行多元回归分析**：使用统计软件（如R、Python的statsmodels库、SPSS等）进行多元回归分析，得到回归系数及其对应的p值。

2. **查看回归结果**：在回归结果中，找到每个系数（包括截距）的p值。

3. **判断显著性**：
- 如果p值 < 0.05，认为该系数显著。
- 如果p值 ≥ 0.05，认为该系数不显著。

假设我们已经运行了回归分析并得到了以下结果（这是一个假设的结果，用于示范）：

```
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 2.5000 1.5000 1.6667 0.0975
Age 0.0500 0.0250 2.0000 0.0450
high_avg 1.2000 0.6000 2.0000 0.0500
Income_ln 0.3000 0.2000 1.5000 0.1500
```

在这个假设的结果中：

- 截距（Intercept）的p值是0.0975，大于0.05，因此不显著。
- Age的p值是0.0450，小于0.05，因此显著。
- high_avg的p值是0.0500，等于0.05，因此显著。
- Income_ln的p值是0.1500，大于0.05，因此不显著。

因此，在这个假设的例子中，截距（Intercept）和Income_ln的系数是不显著的。

请根据你的实际数据和回归分析结果来判断各个系数的显著性。如果你有具体的回归结果，可以提供这些结果，我可以帮助你更详细地分析。