1.T值表示:逐个检验各自变量(回归)。
2.Sig值包含p值。无论数据(sig)的显著性是“显著性”、“中度显著性”还是“高度显著性”,都需要将P值与显著性水平(0.05或0.01)进行比较。如果P值是0。01
3.F值表示:方差检验量,即整个模型的总体检验。
4.P值表示:用于确定假设检验结果的参数。还可以利用分布的拒绝域,根据不同的分布对其进行比较
扩展资料:
1. T值主要用于样本容量较小(如n < 30)、未知总体标准差的正态分布。t检验是利用t分布理论推导出差异的概率,从而比较两种均值之间的差异是否具有显著性。它与f检验和卡方检验并列。
2.显著性差异是一个统计学术语。它是对数据差异的统计评估。通常情况下,只有当实验结果达到0.05或0.01水平时,才能认为数据之间的差异是显著的或极显著的。
3.P值是原假设为真时样本观测结果或更极端结果的概率。P值越小,结果越显著。然而,检验结果是“显著性”、“中度显著性”还是“高度显著性”取决于P值的大小和实际问题。
在SPSS软件统计结果中,不管是回归分析还是其它分析,都会看到“SIG”,SIG=significance,意为“显著性”,后面的值就是统计出的P值,如果P值0.01<P<0.05,则为差异显著,如果P<0.01,则差异极显著。
F值是方差检验量,是整个模型的整体检验,看你拟合的方程有没有意义t值是对每一个自变量(logistic回归)的逐个检验,看它的beta值β即回归系数有没有意义T的数值表示的是对回归参数的显著性检验值,它的绝对值大于等于ta/2(n-k)(这个值表示的是根据你的置信水平,自由度得出的数值)时,就拒绝原假设,即认为在其他解释变量不变的情况下,解释变量X对被解释变量Y的影响是显著的。
F的值是回归方程的显著性检验,表示的是模型中被解释变量与所有解释变量之间的线性关系在总体上是否显著做出推断。若F>Fa(k-1,n-k),则拒绝原假设,即认为列入模型的各个解释变量联合起来对被解释变量有显著影响,反之,则无显著影响。
至于t,也不大懂。google了一下,说是个中间值,不予考虑。。。额,你再翻书看看吧