方程显著性检验表论文模板

1、找到相关系数显著性检验表；2、然后确定自由度（n-m-1）,n,m分别代表样本个数和未知量维度；3、查找 ，，对应的值；4、将相关系数r与a比较，确定显著性水平。

补充一下，对于回归模型的显著性检验，根据可决系数R-square或者F统计量，这两个存在着等价的关系，不一定需要R-square非常大，只需要看F统计量的P值就可以了。有时F统计量P值非常小，但是是R-square也不大，比如只有，这样也没有关系。对于AIC和SIC准则，这个需要逐步回归来看，或者手动删除添加变量，这两个越小说明变量越合理，模型越好。对于逐步回归在中有，版本中没有。祝好运

查看概率课本，后面附表里面自己查

回归系数的显著性检验相当于检验相应的xi对H是否起作用。依据试验观测值按（）式计算T值，按给定的显著水平α查得tα/2（m-n-1），然后对计算的T值和查得的tα/2进行比较确定其显著性。

水分在季节性非饱和冻融土壤中的运动

式中，cjj为矩阵A的逆矩阵主对角线上的元素。

如果

水分在季节性非饱和冻融土壤中的运动

则认为x对H的影响显著；如果

水分在季节性非饱和冻融土壤中的运动

则认为x对H的影响不显著。

根据试验观测值计算的T值和给定显著水平α=查得tα/2的值见表5-2。由表5-2中两者的比较可知，三变量的两种模型中的变量对H值的影响是显著的。四变量模型中第四个变量的T值小于tα/2=，表明入渗水水温对土壤入渗能力的影响不显著。

回归系数的显著性检验：英文(significance test ofregression coefficient)对于线性回归模型y，=Bo+B1xu +…+(i=1.….n)，检验一个或几个回归系数组成的系数向量B，x1(q≤p)对于响应变量是否有显著影响的方法。一般地，假设问题归结为H0Bx1=0对H1B,x140，当原假设不能被拒绝时，表明。xl所对应的回归变量与响应变量之间没有明显的线性相关关系。1、回归方程的显著性检验(1) 回归平方和与剩余平方和建立回归方程以后, 回归效果如何呢？因变量与自变量是否确实存在线性关系呢？这是需要进行统计检验才能加以肯定或否定, 为此, 我们要进一步研究因变量取值的变化规律。的每次取值是有波动的, 这种波动常称为变差, 每次观测值的变差大小, 常用该次观侧值与次观测值的平均值的差(称为离差)来表示, 而全部次观测值的总变差可由总的离差平方和,其中:称为回归平方和, 是回归值与均值之差的平方和, 它反映了自变量的变化所引起的的波动, 其自由度(为自变量的个数)。称为剩余平方和(或称残差平方和), 是实测值与回归值之差的平方和, 它是由试验误差及其它因素引起的, 其自由度。总的离差平方和的自由度为。如果观测值给定, 则总的离差平方和是确定的, 即是确定的, 因此大则小, 反之, 小则大, 所以与都可用来衡量回归效果, 且回归平方和越大则线性回归效果越显著, 或者说剩余平方和越小回归效果越显著, 如果＝0, 则回归超平面过所有观测点; 如果大, 则线性回归效果不好。

回归方程及回归系数的显著性检验1、回归方程的显著性检验(1) 回归平方和与剩余平方和建立回归方程以后, 回归效果如何呢？因变量与自变量是否确实存在线性关系呢？这是需要进行统计检验才能加以肯定或否定, 为此, 我们要进一步研究因变量取值的变化规律。的每次取值是有波动的, 这种波动常称为变差, 每次观测值的变差大小, 常用该次观侧值与次观测值的平均值的差(称为离差)来表示, 而全部次观测值的总变差可由总的离差平方和,其中:称为回归平方和, 是回归值与均值之差的平方和, 它反映了自变量的变化所引起的的波动, 其自由度(为自变量的个数)。称为剩余平方和(或称残差平方和), 是实测值与回归值之差的平方和, 它是由试验误差及其它因素引起的, 其自由度。总的离差平方和的自由度为。如果观测值给定, 则总的离差平方和是确定的, 即是确定的, 因此大则小, 反之, 小则大, 所以与都可用来衡量回归效果, 且回归平方和越大则线性回归效果越显著, 或者说剩余平方和越小回归效果越显著, 如果＝0, 则回归超平面过所有观测点; 如果大, 则线性回归效果不好。(2) 复相关系数为检验总的回归效果, 人们也常引用无量纲指标, ()或, ()称为复相关系数。因为回归平方和实际上是反映回归方程中全部自变量的“方差贡献”, 因此就是这种贡献在总回归平方和中所占的比例, 因此表示全部自变量与因变量的相关程度。显然。复相关系数越接近1, 回归效果就越好, 因此它可以作为检验总的回归效果的一个指标。但应注意, 与回归方程中自变量的个数及观测组数有关, 当相对于并不很大时, 常有较大的值, 因此实际计算中应注意与的适当比例, 一般认为应取至少为的5到10倍为宜。(3) 检验要检验与是否存在线性关系, 就是要检验假设, ()当假设成立时, 则与无线性关系, 否则认为线性关系显著。检验假设应用统计量, ()这是两个方差之比, 它服从自由度为及的分布, 即, ()用此统计量可检验回归的总体效果。如果假设成立, 则当给定检验水平α下, 统计量应有≤, ()对于给定的置信度α, 由分布表可查得的值, 如果根据统计量算得的值为, 则拒绝假设, 即不能认为全部为O, 即个自变量的总体回归效果是显著的, 否则认为回归效果不显著。利用检验对回归方程进行显著性检验的方法称为方差分析。上面对回归效果的讨论可归结于一个方差分析表中, 如表。表 方差分析表来 源平方和自由度方 差方差比回 归剩 余总 计根据与的定义, 可以导出与的以下关系:,。利用这两个关系式可以解决值多大时回归效果才算是显著的问题。因为对给定的检验水平α, 由分布表可查出的临界值, 然后由即可求出的临界值:, ()当时, 则认为回归效果显著。例 利用方差分析对例的回归方程进行显著性检验。方差分析结果见表。表来 源平方和自由度方 差方差比回 归剩 余总 计取检验水平α＝, 查分布表得, 而, 所以例的回归方程回归效果是显著的。2、回归系数的显著性检验前面讨论了回归方程中全部自变量的总体回归效果, 但总体回归效果显著并不说明每个自变量对因变量都是重要的, 即可能有某个自变量对并不起作用或者能被其它的的作用所代替, 因此对这种自变量我们希望从回归方程中剔除, 这样可以建立更简单的回归方程。显然某个自变量如果对作用不显著, 则它的系数就应取值为0, 因此检验每个自变量是否显著, 就要检验假设:, , ()(1) 检验:在假设下, 可应用检验:, , ()其中为矩阵的对角线上第个元素。对给定的检验水平α, 从分布表中可查出与α对应的临界值, 如果有, 则拒绝假设, 即认为与0有显著差异, 这说明对有重要作用不应剔除; 如果有则接受假设, 即认为成立, 这说明对不起作用, 应予剔除。(2) 检验:检验假设, 亦可用服从自由度分别为1与的分布的统计量, ()其中为矩阵的主对角线上第个元素。对于给定的检验水平α, 从分布表中可查得临界, 如果有, 则拒绝假设, 认为对有重要作用。如果, 则接受假设, 即认为自变量对不起重要作用, 可以剔除。一般一次检验只剔除一个自变量, 且这个自变量是所有不显著自变量中值最小者, 然后再建立回归方程, 并继续进行检验, 直到建立的回归方程及各个自变量均显著为止。最后指出, 上述对各自变量进行显著性检验采用的两种统计量与实际上是等价的, 因为由()式及()式知, 有()例 对例的回归方程各系数进行显著性检验。经计算:,于是,其中＝, ＝。由()式知,,查分布表得, , 因为, , 所以两个自变量及都是显著的。又由, 说明体长比胸围对体重的影响更大。如果应用检验, 查分布表有, 又由,,因为, , 因此及都是显著的, 均为重要变量, 应保留在回归方程中。(3) 偏回归平方和检验某一自变量是否显著, 还可应用偏回归平方和进行检验。个自变量的回归平方和为,如果自个自变量中去掉, 则剩下的个自变量的回归平方和设为, 并设,则就表示变量在回归平方和中的贡献, 称为的偏回归平方和或贡献。可以证明偏回归平方和越大, 说明在回归方程中越重要, 对的作用和影响越大, 或者说对回归方程的贡献越大。因此偏回归平方和也是用来衡量每个自变量在回归方程中作用大小(贡献大小)的一个指标。例如在例中, 和的偏回归平方和分别为,,, 说明在回归方程中的作用比大。又如在例中及的偏回归平方和分别为:,,,,的值最小, 即在回归方程中所起的作用最小, 最大, 说明在回归方程中所起的作用最大。, ()