做线性回归的时候，检验回归方程和各变量对因变量的解释参数很容易搞混乱，下面对这些参数进行一下说明：
1.t检验：t检验是对单个变量系数的显著性检验 一般看p值； 如果p值小于0.05表示该自变量对因变量解释性很强。
2.F检验：F检验是对整体回归方程显著性的检验，即所有变量对被解释变量的显著性检验
3.P值：P值就是t检验用于检测效果的一个衡量度，t检验值大于或者p值小于0.05就说明该变量前面的系数显著，选的这个变量是有效的。
4.R方：拟合优度检验
5.调整后的R方：
小结：
t检验 --用于对各变量系数显著性检验 --判断标准：一般用p值 0.05来衡量 小于0.05 显著 大于0.05不显著
F检验 --整体回归方程显著性检验(所有自变量对因变量的整体解释) --判定：
需查统计分布表来确定
P值：就是用于t检验和F检验的衡量指标。
R方：整体回归方程拟合优度检验，R方的结果越接近于1越好，但是R方会因增加变量而增大，所以引进了调整R方检验。
调整R方：对R方检验的提升，避免受增加变量对R方的影响，配合向后删除模型观测。
不显著的原因概述：不显著有很多原因造成，可能是你的这个变量本身与被解释变量没有相关关系，所以不显著；也可能是解释变量过多，由多重共线性引起，也可能是其他原因。
以上观点不一定完全正确，需进一步参考学习，欢迎大神来指正。
“
在进行多元线性回归时，常用到的是F检验和t检验，F检验是用来检验整体方程系数是否显著异于零，如果F检验的p值小于0.05，就说明，整体回归是显著的。然后再看各个系数的显著性，也就是t检验，计量经济学中常用的显著性水平为0.05，如果t值大于2或p值小于0.05就说明该变量前面的系数显著不为0，选的这个变量是有用的。
”
参考文献：
F检验：
F检验(F-test)
最常用的别名叫做联合假设检验(英语：joint hypotheses test)，此外也称方差比率检验、方差齐性检验。
它是一种在零假设(null hypothesis, H0)之下，统计值服从F-分布的检验。
其通常是用来分析用了超过一个参数的统计模型，以判断该模型中的全部或一部分参数是否适合用来估计母体。
————————————————
原文链接：/sinat_25873421/article/details/80889757
R方，调整后的R放，F检验：
python 多元线性回归的系数检验 t p值 多元线性回归检验t检验（P值） F检验 R方等参数的含义...
