回归模型中显著性若不显著说明什么

不显著就应该剔除,除非你想硬塞进这个自变量,那你只有改数据了

当然不是,R2是用来衡量解释变量对被解释变量的解释力的,显著性需要看回归系数的t统计量或F统计量,看起在选点的显著水平下是否显著.再问：作者认为种子重量每增加1g发芽率就提高2.17%，对吗？再答：那

你看可决系数够不够大嘛,或者看回归系数的T统计量-34.6462,P值也相当小了,所以是显著的；预测的时候先要自己预测出一个X值,然后直接带入回归方程计算出Y值就行了.

原假设是“X1的系数为0”,sig值低于0.05就可以拒绝原假设啦再问：也就是说，原假设是x1的系数为0，而不是我自己设置的那个假设吧？我都晕了一下午了。。。如果是我自己设置的假设，那就互相矛盾了再答

你这里面从各个变量的t检验看显然有变量不显著,把这些变量剔除掉重新建立新的回归模型就是了,哪儿有在这种伪回归的情况下纠结方差分析是不是显著的……再问：那有无回归模型显著，但有个别变量不显著的情况，请教

你可以尝试着先绘制下散点图看看会不会用其他曲线拟合的效果会更好,很多时候数据用线性和一些非线性拟合后都会有显著效果,但是不一定是最佳的,所以需要判断自变量和因变量之间关系是否符合线性.如果仍然是符合线

β对应的P值大于所给的显著性水平一般取α=0.05意为β对应的变量对因变量的影响明显

简单线性：等式两边都不取对数对数：等式两边都取对数半对数：等式一边取对数显著性检验：单个系数t检验,联合显著性F检验

参数显著的,就是说该参数估计量的统计性质可以拒绝原假设：该参数=0,即该参数显著不等于0,也就是该参数前面的变量对y确实有影响,出现在回归方程里面是有道理的.参数的显著性,是实证模型有意义的关键所在.

这句话分两种情况考虑,第一,在一元线性回归的情况下,由于只有一个系数需要检验,所以回归方程的F检验与系数的T检验的结果是一直的.第二,在多元线性回归的情况下,方程总体的线性关系检验不一定与回归系数检验

x=[143145146147149150153154155156157158159160162164]';X=[ones(16,1)x];增加一个常数项Y=[88858891929393959698

matlab里面有提供回归模型的全套解决方案,就是线性拟合的工具箱,cftool,在命令窗口输入cftool命令,可以调出工具箱,你可以自己摸索下,都是简单的英语,相信你摸索一会儿就会了.再问：我需要

你有没有统计软件,SPSS,eviews都可以很容易得到的用excel也行,点击工具-数据分析（没有的话,先选中加载宏-选中分析工具库,之后就会出现数据分析）-在里面找到“回归”,然后就可以出来啦.

要根据散点图来初步估计下大概是什么关系如果比较简单的不建议采用非线性回归,因为要自己构建算式的,比较有难度可以采用曲线回归,它会有一系列常用的曲线模型,你可以根据散点图大致选择几个模型然后结果会输出各

α-分位数表是《概率论与数理统计》里的一张表,教材里附录肯定有了,看看就知道怎么查,通俗易懂再问：我是学物理的，没那本教材啊再答：给我邮箱我发给你再问：745189567@qq.com小弟不胜感激！！

自己在报告里面手工加进去好了spss结果除了相关分析会自动加上去*之外其他的都不会加上去的

看来LZ应该是刚开始作统计分析啊,其实里面的数据还是比较简单的,第一行MultipleR表示R^2的值,第二行则表示R值,第三行表示调整R方,一般R^2是衡量回归方程是否显著的决定因子,但只是一方面.

一,首先算出不同分布所对应的待定值a二,然后根据分布值表查出在不同的显著性水平下的值a1二,比较二者的大小就可判断：如果前者大则拒绝反之接受.具体的例子可以看一下大学的数理统计,不同的分布有不同的结果

虚拟变量,你可以试试0-1这样的虚拟变量,含0的,对应的y低,含1的对应的y高（假设正相关）.其实主要看你的虚拟变量打算加在哪里,加在常数项就这么做,加在系数项的话就是另外一组数据了.你可以先写个含虚

看下是否存在异方差或者自相关等违背经典假定的错误.协整回归模型要是显著的话其误差修正模型一般是显著的.