回归模型不显著F值过大可以说明什么问题

t检验常能用作检验回归方程中各个参数的显著性,而f检验则能用作检验整个回归关系的显著性.各解释变量联合起来对被解释变量有显著的线性关系,并不意味着每一个解释变量分别对被解释变量有显著的线性关系

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

F越大,越有显著性,F很大,没任何问题,好比就是P值很小,百万分之一,你能说P就有问题吗?这是一个道理的F的大小,你可以去查表,看F统计量的分布,等我经常帮别人做这类的数据分析的

要看sig值,那个就是P值,如果是小于0.001,一般情况下是显著的再问：不是说sig只要小于0.05就行么？再答：对的，看是在什么水平下，0.05也行再问：只要看sig么？其他值都不用看了？再答：是

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.

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

常数项是否检验有争议,多数学者倾向于不对常数项检验.可以把常数项的复选框去掉再做一遍看看结果会不会更漂亮

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

正交实验的数据处理使用的是方差分析法,其原假设是各组平均值之间无显著差异.在显著性水平取0.05的前提下,sig值（也就是统计学教科书的P值）大于0.05就表明不能否定原假设,也就是这个因素对结果没有

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

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

你把具体的数据拿出来看看,这些就是看经验.这样说,相关系数的计算公式你仔细看看,它计算的是线性相关性,跟独立性没有太大关系,如果是普通的经济类数据,0.26完全可以接受,因为经济波动比较大,也许还有其

刚看了一篇外文文献,其中提到了几个变量之间的相关性分析.作者用SPSS得出A与B的相关性系数约为0.09,但显著性水平大于0.05即不显著.随后继续作回归性分析（未阐明是否是多元线性）结论是BETA值

不能拒绝二次adm项系数为0的假设所以不显著你可以看看二次回归和一次回归R方的差异如果不大说明一次v即可.再问：但是R^2很大啊。。。再答：一次和二次的R方差异是多少?再问：相差不大。。。

就是一元一次如果y=ax^2设z=x^2就变成y=az可以看这个参考y=polyfit(x,y,2)只是拟合回归方程而已.p接近于0的话是说明回归显著,即系数显著不为0也就是x^2对y的影响显著你合度