发布时间：
木有一个变量是显著的……所有变量的p值都好大的说~整个模型的p值也很大……结论就是这个模型本身统计不显著，各个变量也不显著。看回归分析结果，你先看右上角那个prob> F，那个是对整个模型的检验，如果这个值比大，就是不显著的。下面那些变量，你就看那个P>|t|的值，如果比大，也是不显著的。其他还有，但你这个结果一看这俩都不行，就不用往下看了。
变量都是代表什么东西，还有数据都是什么。还有你的no. of obs太少了，所以一眼看过去就知道没有一个变量是significant的，数据太少了
一般相关只是单独地分析两个变量之间的相关，它不会去控制其他变量的影响。回归的话如果放入多个自变量做回归，那么看到的某一个自变量的回归系数其实代表的是控制了其自变量（也就是减去了其他自变量对因变量的效应）后的回归，也就是说，并不代表该变量单独对因变量的影响。差别就在于是否控制了所关注变量外的其他变量
一数据缩尾二加控制变量三更换估计方法四替换指标五尊重客观事实
怎么可能不相关。只是有相关显著不显著的问题。踢出异常值，就是那些乱填的就不要输入了！然后填的不认真的，有规律的也要拉！缺失值的话可以用均值，平均数等代替。不可能不相关，除非不是同一个人的数据。
statap值不显著是就没有研究意义。Stata是一款十分出色的统计学软件，Stata中文版界面友好，功能丰富，除了传统的统计分析方法外，还收集了近20年发展起来的新方法。包含线性混合模型、均衡重复反复及多项式普罗比模式等。
进行科研，少不了做实验。得到实验原始数据后，要进行分析处理，来判断所得结果是否具有统计学意义上的显著相关性，是否支持研究设想，然后对数据结果进行解释，最后得出结论。 无论是期刊论文还是学位论文，在引言或前言(Introduction)中提出本研究的目的(aim/purpose)，和研究假设(hypothesis)，完成一系列的实验后，在报告方法(Materials and Methods)一节中，要进行数据分析。 通过数据分析，发现得出的结论具有相关性，从而验证了你的研究设想，实现了你的研究目的。 但也有可能实验结果的相关性不显著，得出的结果和研究设想不一致，甚至相反。你的第一反应也许是不理会那些数据，甚至想到要剔除掉它们。这是错误的做法。 一个科研人员应具备科研素质，尊重科学，严谨治学。其实相关性不显著，就是你实验的科学结论，只不过不支持你的研究设想罢了。你的实验结果证明你的设想不成立，从而否定了这一假设，这本身就是一结论。 一般情况下，如得出实验结果相关性不显著时，作者还要分析一下其原因，如样本不够大、变量不易控制、人为因素等。 下面以一篇SCI文章为例，来看看如果处理“不完美”的数据。 ❶We met with mixed success in our objectives. ❷We had believed that our results would indicate that trust was best described as a concept with two distinct dimensions. ❸Instead, we found an overall trust dimension that best characterized the data. ❹At least two plausible reasons may explain this difference, each providing rich areas for further research. ❺In part, some of the inconsistency may exist because of cross cultural variations. ❻In addition, some dissimilarity in results may exist because of methodological differences. 第一句话直接指出了部分结果与设想不一样，第二句和第三句分别阐述了原来的设想和实际得到的实验结果。第四句写出有两个原因，第五、六句具体分析了两个原因。
回归系数不显著：检验多重共线性的方法：条件数、VIF、奇异值分解、特征系统分析，解决方法：岭回归、主成分、变量筛选。
和是对“常量”、“技术人员密度”两个参数的T检验的值，对应的概率分别是和，如果显著性水平是的话，说明常量不显著，则一元线性回归分析中不应该含有常量。至于是对“技术人员密度”系数的标准化，不用太在意此数字。
回归系数差异显著性检验
（significance testof difference between two regression coefficients），对样本回归系数是否随机取自总体回归系数为零的情况的统计检验。设 b 为样本回归系数，β为总体回归系数，则b与β=0 差异显著即意味回归系数显著，b 与在β=0 差异不显著即意味回归系数不显著。
您是想问硕士论文不显著改成显著了可以吗？硕士论文不显著改成显著了不可以，属于数据造假。是学术不端行为，会拖累导师。硕士论文不显著原因：数据收集不准确、预期结论存在一定错误都有可以造成结果与预期不符。
1、残差均方大。包括测量误差大，模型外有显著因子，误差自相关，或者真实不显著项未并入残差均方中。
2、共线性。方差膨胀因子太大。
3、该因子取值范围或波动范围太小，导致效应小。
4、模型外因子与该因子存在交互作用，把因子效应抵消。
5、该自变量因子存在测量误差，或记录与实际不符。
6、未做残差诊断，违反稳定，正态，独立，等方差假设，或有异常值未处理。
7、数据太少或抽样量太小，偶然性导致的。
8、手动计算错误。
扩展资料：
线性回归分析注意事项：
在应用相关和回归分析时，一般分为定性分析和定量分析两个阶段，其中定性分析虽然并不复杂，但也及其重要。通过定性分析，我们来判明分析的变量之间是否存在相互依存关系，而后才能转入定量分析。需要指出的是，不能不加分析地，将两个变量凑合在一起进行定量分析，这样往往会得出虚假相关的结论。
利用拟合的数学表达式所取得的回归方程，均是在一定范围内的有限资料计算得到的。理论上来说，其有效性只适用于该范围内，不适用于该范围外，即只适用于内插推算，不宜用作外推预测。
怎么可能不相关。只是有相关显著不显著的问题。踢出异常值，就是那些乱填的就不要输入了！然后填的不认真的，有规律的也要拉！缺失值的话可以用均值，平均数等代替。不可能不相关，除非不是同一个人的数据。
运行的时候，软件会自动剔除，你不用管它直接运行就行。 如果你觉得缺失太多，剔除后你的valid数量太少了，可以补全，软件会自行帮你根据该数据周围的值预测出一个这个位置大概的数值帮你补充完整，你就可以接着运行了。 我并不知道stata里面关...
stata变量显著不显著看：pwcorr y x, st(#) 可以在stata里面输入 help corr 里面会有你想要的答案。 STATA 中的变量可以划分为三类:分别是数值型，字符型和日期型。变量类型可通过help data type显示。数值型变量数值型变量按其精度又可分为五种类型:byte、int、long、float、double。类似于Access中的字节型、整型、长整型、浮点型和双精度型，不同的精度对应着不同的计算运算误差，若多次运算均需四舍五入时，低精度的运算会使计算误差迅速变大，而高的精度却需要占用较多的内存。当运算精度要求很高的时候，需要将变量设置成浮点型或双精度型。
如果原始数据做出的相关和回归不显著，可以考虑以下几种方法修改数据：1.增加样本量：增加样本量可以提高数据的统计显著性，从而可能增加相关和回归的显著性。2.去除异常值：异常值可能会影响相关和回归的结果，去除异常值后可能会使得相关和回归显著性提高。3.变换自变量和因变量：可以对自变量和因变量进行数学变换，比如取对数、平方根等等，从而使得相关和回归结果更显著。4.加入更多的自变量：如果只有一个自变量可能导致相关和回归不显著，可以加入更多的自变量，从而提高相关和回归的显著性。需要注意的是，以上方法仅供参考，具体如何修改数据要根据具体情况进行分析和实践。
属于数据造假。不显著改成显著属于数据造假行为，确实属于也学术不端行为，而且可能会拖累导师，不过介于文章是硕士的论文，所以实际上后果并没有想象的那么严重。即便是抽查，也不会刻意追究数据是否真实，除非编造的数据和理论值存在明显的偏差，不然是很难被发现的。