回归分析中相关参数的涵义.pdfVIP

回归分析中F、D.W、t、sig.t的含义

1、T检验和F检验

（1）T检验和F检验的由来

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(probabilitydistribution)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nullhypothesis,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。

F值和t值就是这些统计检定值，与它们相对应的概率分布，就

是F分布和t分布。统计显著性（sig）就是出现目前样本这结果的

机率。

（2）统计学意义（P值或sig值）

结果的统计学意义是结果真实程度（能够代表总体）的一种估计

方法。专业上，p值为结果可信程度的一个递减指标，p值越大，我

们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=0.05

提示样本中变量关联有5%的可能是由于偶然性造成的。即假设总体

中任意变量间均无关联，我们重复类似实验，会发现约20个实验中

有一个实验，我们所研究的变量关联将等于或强于我们的实验结果。

（这并不是说如果变量间存在关联，我们可得到5%或95%次数的相同

结果，当总体中的变量存在关联，重复研究和发现关联的可能性与设

计的统计学效力有关。）在许多研究领域，0.05的p值通常被认为是

可接受错误的边界水平。

至于具体要检定的内容，须看你是在做哪一个统计程序。

举一个例子，比如，你要检验两独立样本均数差异是否能推论至

总体，而进行的t检验。

两样本(如某班男生和女生)某变量(如身高)的均数并不相同，但

这差别是否能推论至总体，代表总体的情况也是存在著差异呢？

会不会总体中男女生根本没有差别，只不过是你那麼巧抽到这2

样本的数值不同？为此，我们进行t检定，算出一个t检定值。

与统计学家建立的以「总体中没差别」作基础的随机变量t分布

进行比较，看看在多少%的机会(亦即显著性sig值)下会得到目前的

结果。

若显著性sig值很少，比如0.05(少於5%机率)，亦即是说，「如

果」总体「真的」没有差别，那麼就只有在机会很少(5%)、很罕有的

情况下，才会出现目前这样本的情况。虽然还是有5%机会出错

(1-0.05=5%)，但我们还是可以「比较有信心」的说：目前样本中这

情况(男女生出现差异的情况)不是巧合，是具统计学意义的，「总体

中男女生不存差异」的虚无假设应予拒绝，简言之，总体应该存在著

差异。

每一种统计方法的检定的内容都不相同，同样是t-检定，可能

是上述的检定总体中是否存在差异，也同能是检定总体中的单一值是

否等于0或者等于某一个数值。

至于F-检定，方差分析(或译变异数分析，

AnalysisofVariance)，它的原理大致也是上面说的，但它是透过

检视变量的方差而进行的。它主要用于：均数差别的显著性检验、分

离各有关因素并估计其对总变异的作用、分析因素间的交互作用、方

差齐性(EqualityofVariances)检验等情况。

（3）回归方程的显著性检验（F检验）

回归方程的显著性检验，即检验整个回归方程的显著性，或者说

评价所有自变量与因变量的线性关系是否密切。能常采用F检验，F

统计量的计算公式为：

根据给定的显著水平a,自由度(k,n-k-1)查F分布表，得到相应

的临界值Fa，若FFa，则回归方程具有显著意义，回归效果显著；

FFa，则回归方程无显著意义，回归效果不显著。

（4）回归系数的显著性检验(t检验)

在一元线性回归中，回归系数显著性检验(t检验)与回归方程的

显著性检验(F检验)是等价的，但在多元线性回归中，这个等价不成

立。t检验是分别检验回归模型中各个回归系数是否具有显著性，以

便使模型中只