回归方程显著性检验检验统计量怎么看

我们可以直接通过P值与我们预设的005进行比较，来判定对应的解释变量的显著性（我们检验的原假设是，该系数是否显著为0，P<005则拒绝原假设，即对应的变量显著不为0），我们可以看到截距项Intercept和X1都可以认为是在P为005的水平下显著不为0，通过显著性检验
下面，我们看Multiple R-squared和Adjusted R-squared这两个值，其实我们常称之为“拟合优度”和“修正的拟合优度”，是指回归方程对样本的拟合程度几何，这里我们可以看到，修正的拟合优度=04527，也就是大概拟合程度不到五成，表示拟合程度很一般。这个值当然是越高越好，当然，提升拟合优度的方法很多，当达到某个程度，我们也就认为差不多了。具体还有很复杂的判定内容，有兴趣的可以看看：>通过比较不同数据的均值，研究两组数据之间是否存在差异。对t检验结果的解读，首先判断p值是否呈现出显著性，如果呈现出显著性，则说明两组数据具有显著性差异，具体的差异可通过平均值进行对比判断

这两个表都是比较两列变量的均值是否差异显著。
第一个表是相关样本t检验，所用的两列变量来自同一批被试，差异是否显著看后面的t值和sig值，主要是sig，一般只要sig<005，就认为两组出具的差异显著，具备统计学意义
第二个表是独立样本t检验，这个表由两部分组成，前面一部分是方差齐性检验（levene检验），方差齐性是独立样本t检验的基本前提条件之一，理论上说要满足齐性的条件（也就是方差齐性的F检验的sig>005)才可以继续分析，如果条件满足，看后面t检验的sig值，同样是小于005就差异显著。如果不满足方差齐性，理论上不能进行均值差异检验，不过实际上还是可以参考第二行假设方差不等的t检验部分的sig。

T检验，亦称studentt检验（Student'sttest），主要用于样本含量较小（例如n<30），总体标准差σ未知的正态分布。

t检验是用t分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。它与f检验、卡方检验并列。t检验是戈斯特为了观测酿酒质量而发明的。戈斯特在位于都柏林的健力士酿酒厂担任统计学家，基于ClaudeGuinness聘用从牛津大学和剑桥大学出来的最好的毕业生以将生物化学及统计学应用到健力士工业程序的创新政策。戈斯特于1908年在Biometrika上公布t检验，但因其老板认为其为商业机密而被迫使用笔名（学生）。实际上，跟他合作过的统计学家是知道“学生”的真实身份是戈斯特的。

（参考资料百度百科t检验）

独立样本t检验
1在进行独立样本T检验之前，要先对数据进行正态性检验。满足正态性才能进一步分析，不满足可以采用数据转化或非参数秩和检验；
2在菜单栏上执行：分析-比较均数-独立样本t检验；
3将要比较平均数的变量放到检验变量，将分组变量放到分组变量，点击定义组；
4打开的对话框中，设置组1和组2的值分别是分组类别，然后点击继续。

问题一：怎么看相关系数显著性检验表？ 这里主要关注两个信息就够了，一个是n，那就是你的样本容量，比如n=100的话就是有100个被试，也即100组配对的数据。根据你的样本量找到检验表里对应的行。另一个就是根据你定的显著性水平来看显著性，一般005水平就够了，比如n=100显著性水平alpha=005时，相关系数显著性的临界值为0195，也就是说这个条件下，只要相关系数r的绝对值在0195以上，就可以认为此相关系数在005水平上显著。
另外，一般报告的原则是，报告统计量所达到的最高显著性水平，也就是如果你的数据达到001水平的显著，就不要说它在005水平显著了

问题二：如何确定显著性水平 005和001是通常使用的值，可以理解为国际惯例。另户可以根据实际需要选大于005或者小于001的值。

问题三：spss如何设置显著性水平 具体的p值你能够看到的，既然小于001了，肯定就是小于005啊
我替别人做这类的数据分析蛮多的

问题四：夏天如何避暑？ 有钱的话,到避暑圣地比如庐山去
没钱的话,在家里开空调
爱学习可以到图书馆去看书,享用免费冷气
爱逛街,可以去大型商场逛个够
实在都不爱,去游泳吧又凉爽,又可以晒一身古天乐般的古铜色皮肤很白的皮肤是不健康的啊!

问题五：高分求教t显著性水平怎么看？？？？高手详细说下，看了半天没看出来。 显著性水平就是那个sig值，不都是0么，怎么会没有达到显著水平001啊，应该都显著的啊。

问题六：如何判断t检验值是否显著 你这个小括号里面统计的是不是t检验值？如果是，那么两组在不同处理下，都显示差异显著。
t值小于005即为显著。

问题七：spss显著性检验结果怎么看，求大神帮助 5分 你没有做方差齐性检验吗？
没有方差齐性检验的结果，骸个F检验的结果是不可靠的
我替别人做这类的数据分析蛮多的

T值就是这些统计检定值，与它们相对应的概率分布，就是t分布。统计显著性（sig）就是出现目前样本这结果的机率。

P值代表结果的可信程度，P越大，就越不能认为样本中变量的关联是总体中各变量关联的可靠指标。p值是将观察结果认为有效即具有总体代表性的犯错概率。如p=005提示样本中变量关联有5%的可能是由于偶然性造成的。

一般而言，为了确定从样本(sample)统计结果推论至总体时所犯错的概率，我们会利用统计学家所开发的一些统计方法，进行统计检定。

通过把所得到的统计检定值，与统计学家建立了一些随机变量的概率分布(probability distribution)进行比较，我们可以知道在多少%的机会下会得到目前的结果。倘若经比较后发现，出现这结果的机率很少，亦即是说，是在机会很少、很罕有的情况下才出现；那我们便可以有信心的说，这不是巧合，是具有统计学上的意义的(用统计学的话讲，就是能够拒绝虚无假设null hypothesis,Ho)。相反，若比较后发现，出现的机率很高，并不罕见；那我们便不能很有信心的直指这不是巧合，也许是巧合，也许不是，但我们没能确定。

R·A·Fisher（1890-1962）作为一代假设检验理论的创立者，在假设检验中首先提出P值的概念。他认为假设检验是一种程序，研究人员依照这一程序可以对某一总体参数形成一种判断。也就是说，他认为假设检验是数据分析的一种形式，是人们在研究中加入的主观信息。（当时这一观点遭到了Neyman-Pearson的反对，他们认为假设检验是一种方法，决策者在不确定的条件下进行运作，利用这一方法可以在两种可能中作出明确的选择，而同时又要控制错误发生的概率。这两种方法进行长期且痛苦的论战。虽然Fisher的这一观点同样也遭到了现代统计学家的反对，但是他对现代假设检验的发展作出了巨大的贡献。）

Fisher的具体做法是：

假定某一参数的取值。

选择一个检验统计量(例如z 统计量或Z 统计量) ，该统计量的分布在假定的参数取值为真时应该是完全已知的。

从研究总体中抽取一个随机样本计算检验统计量的值计算概率P值或者说观测的显著水平，即在假设为真时的前提下，检验统计量大于或等于实际观测值的概率。

如果P<001，说明是较强的判定结果，拒绝假定的参数取值。

如果001<P值<005，说明较弱的判定结果，拒绝假定的参数取值。

如果P值>005，说明结果更倾向于接受假定的参数取值。

可是，那个年代，由于硬件的问题，计算P值并非易事，人们就采用了统计量检验方法，也就是我们最初学的t值和t临界值比较的方法。统计检验法是在检验之前确定显著性水平α，也就是说事先确定了拒绝域。但是，如果选中相同的，所有检验结论的可靠性都一样，无法给出观测数据与原假设之间不一致程度的精确度量。只要统计量落在拒绝域，假设的结果都是一样，即结果显著。但实际上，统计量落在拒绝域不同的地方，实际上的显著性有较大的差异。

因此，随着计算机的发展，P值的计算不再是个难题，使得P值变成最常用的统计指标之一。

参考资料来源：百度百科-t检验百度百科-P值

做题的话就看题目要求，要是通常使用 *** 作中，一般情况下是取005，这个是常用标准。
常见的大部分都是默认的005，因为有个数学概率里的名词是叫95%置信区间，在这个范围内可信度已经很高了。
用那个001是为了提高精度，需要高精准度的条件下，有的时候甚至会出现0001或者0005，都是看实际需要的。

---