回归模型不显著可以说明什么问题

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

多元线性模型即可再问：为啥呢？有什么依据说明他们就是线性相关吗？再答：你用逐步回归剔除不显著的自变量，保留显著的，不就行了吗SPSS里面固有的模型很多的，一般情况下高次的不要用，因为误差大

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.

简单效应分析是在做方差分析后,知道交互作用存在才做的.所以你的这种情况应该做简单效应分析.用F检验做三组或三组以上数据的均数比较,发现有显著差异时,不能确定是其中哪两组的均数有差异,就需要用“多重比较

对交互作用做一个补充说明：交互作用指的是两个因素在对方的不同水平上的呈现出的效应存在差异,A和B各有两个水平,则A1在B因素上的效应情况与A2在B因素上的效应情况存在差异,反之也存在,这就说明存在交互

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

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！！

t当然是时间啦很简单的用eviews做

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

说明了原子核的全部正电荷和几乎全部质量都集中在一个很小的区域,这个区域叫做原子核里,带负电的电子在核外空间里绕着核旋转.很好的解释了α粒子的散射实验,从而否定了汤姆生的“西瓜模型”.

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。。。