1、统计学显著性检验，当显著性水平α取005时，P>005为“不显著”；P<=005为“显著”。
P值指的是比较的两者的差别是由机遇所致的可能性大小。P值越小，越有理由认为对比事物间存在差异。例如，单侧检验显著性水平005对应的标准正态分布的分位数为1645,而双侧检验的标准正态分布的0025分位数是196。在进行双侧检验时，Z值大于196，则P值小于显著性水平005。
P<005,表明结果显示的差别是由机遇所致的可能性不足5%，或者说，在同样的条件下重复同样的研究，得出相反结论的可能性不足5%。
2、分位数164是单侧检验显著性水平005对应的标准正态分布的分位数，即进行单侧检验时95%置信区间对应的Z值。196是双侧检验的标准正态分布的0025分位数，即双侧检验时95%置信区间对应的Z值。258是双侧检验的标准正态分布的0005分位数，双侧检验时99%置信区间对应的Z值。
扩展资料：
通常用“显著”来表示P值大小，所以P值最常见的误用是把统计学上的显著与临床或实际中的显著差异相混淆，即混淆“差异具有显著性”和“具有显著差异”二者的意思。其实，前者指的是p<=005，即说明有充分的理由认为比较的二者来自同一总体的可能性不足5%，因而认为二者确实有差异，下这个结论出错的可能性<=5%。而后者的意思是二者的差别确实很大。举例来说，3和50的差别很大，因而可以说是“有显著差异”，而5和51差别不大，但如果计算得到的P值<=005，则认为二者“差别有显著性”，但是不能说“有显著差异”。
参考资料：
百度百科——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？因变量多元回归分析原理（3） - cake - Cake的个人主页与自变量多元回归分析原理（3） - cake - Cake的个人主页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多元回归分析原理（3） - cake - Cake的个人主页取值的变化规律。多元回归分析原理（3） - cake - Cake的个人主页的每次取值多元回归分析原理（3） - cake - Cake的个人主页是有波动的, 这种波动常称为变差, 每次观测值多元回归分析原理（3） - cake - Cake的个人主页的变差大小, 常用该次观侧值多元回归分析原理（3） - cake - Cake的个人主页与多元回归分析原理（3） - cake - Cake的个人主页次观测值的平均值多元回归分析原理（3） - cake - Cake的个人主页的差多元回归分析原理（3） - cake - Cake的个人主页(称为离差)来表示, 而全部多元回归分析原理（3） - cake - Cake的个人主页次观测值的总变差可由总的离差平方和
多元回归分析原理（3） - cake - Cake的个人主页,
其中:
多元回归分析原理（3） - cake - Cake的个人主页称为回归平方和, 是回归值多元回归分析原理（3） - cake - Cake的个人主页与均值多元回归分析原理（3） - cake - Cake的个人主页之差的平方和, 它反映了自变量
方差齐性检验显著性小于005，说明不满足方差齐性，那可以选择方差不齐的两两比较方法的。
在方差齐性检验结果中，若P>010，认为方差齐性，t检验看第一行的结果；否则认为方差不齐，t检验看第二行的结果。一般取a=005，P<0001，即P<005，可认为差异存在。
如果样本量很大，数据近似正态分布，可以直接用t检验中方差不齐的校正结果来做，就是选第二行的t和p值。如果样本比较小，或者方差不齐问题很大，数据严重非正态分布，则要使用非参数检验。
无效假设
显著性检验的基本原理是提出“无效假设”和检验“无效假设”成立的几率（P）水平的选择。所谓“无效假设”，就是当比较实验处理组与对照组的结果时，假设两组结果间差异不显著，即实验处理对结果没有影响或无效。
经统计学分析后，如发现两组间差异是抽样引起的，则“无效假设”成立，可认为这种差异为不显著（即实验处理无效）。若两组间差异不是由抽样引起的，则“无效假设”不成立，可认为这种差异是显著的（即实验处理有效）。
百度百科-显著性检验
回归系数显著性检验（significant test of regression coefficient）是检验某些回归系数是否为零的假设检验。考虑线性回归模型
不失一般性，可假定要检验后k个（1≤k≤p）回归系数是否为零，即。一般用F统计量
去检验，这里是上述模型的残差平方和，为假定后k个系数为零时（即少了k个自变量）的模型的残差平方和。用F检验有许多优良性，在这方面，中国统计学家许宝騄早期做了许多工作，后来美籍罗马尼亚数学家瓦尔德（Wald，A）发展了他的工作。[1]
理解
1、相关系数与回归系数：
A 回归系数大于零则相关系数大于零
B 回归系数小于零则相关系数小于零
（它们的取值符号相同）
2、回归系数：由回归方程求导数得到，
所以，回归系数>0，回归方程曲线单调递增；
回归系数<0，回归方程曲线单调递减；
回归系数=0，回归方程求最值（最大值、最小值）。
这张图里的方差分析F检验结果不显著。看显著性检验结果有两种方法。
1、根据F值判断。
SPSS输出的表格中“F”即样本的计算结果。之后考虑显著性检验的临界值α和F统计量的自由度，在F检验表中查找F的临界值（下表是α=01的F临界值表，如果α设定为005或001则应查找对应的F检验表）。最后，将SPSS计算出的F值与F临界值比较，若大于临界值则可以说在α的意义下结果显著，否则不显著。
2、根据Sig判断。
SPSS输出的Sig结果即将计算出的F值根据自由度转换为了P-Value，可以直接根据Sig判断是否显著，若Sig<α则结果显著，否则不显著，这一方法更方便。
在此基础上拓展一下，z检验、t检验、Chi-Square检验（卡方检验）等判断显著或进行假设检验的方式都是类似的，或者根据对应的检验表，或者根据P-Value。如果根据检验表判断，可分为三步：
第一步，计算统计量的观测值，例如此处的F值，这一步SPSS会直接输出；
第二步，查表，根据自由度和α找到临界值；
第三步，将SPSS输出的统计量观测值与查表所得临界值进行对比，得出结果。
相较之下，根据P-Value来判断则非常简单，SPSS已经根据样本计算并输出了P-Value，只需将P-Value和α对比即可。
此外在一些情况下，SPSS也会自动以星号（）的数量对是否显著进行标记，例如做相关系数分析时，在001级别相关性显著会标注出“”，在005级别相关性显著标注“”等等。
回归模型的显著性检验采用方差分析方法进行。按试验数据分别计算样本总离差QT（平方和）、剩余离差Q剩余和回归离差Q回归，然后由剩余离差Q剩余、回归离差Q回归及其相应的自由度计算样本的F值，并与给定的显著水平对应的Fα值比较，确定其显著性。采用的有关计算公式如下：
表5-2 土壤入渗能力预报模型参数估计及检验表
水分在季节性非饱和冻融土壤中的运动
水分在季节性非饱和冻融土壤中的运动
水分在季节性非饱和冻融土壤中的运动
水分在季节性非饱和冻融土壤中的运动
根据试验样本资料，计算四种模型和变量情况下的离差和F值见表5-1，给定显著水平α=005，查得相应的F005（m，m-n-1）值也列于表5-1。从计算的F值与F005（m，m-n-1）值的比较可知，所计算的四种情况下的F值都大于相应的F005（m，m-n-1）值，且相差幅度很大，所以各种模型和变量在多数情况下的回归是显著的。同时可以看出线性回归的显著水平要比连乘积模型高；三个变量回归的显著水平要高于四个变量的回归。
excel进行显著性检验的方法与步骤：
1先找add-in,添加数据分析工具data
analysis
tool。
add-in的选项在file->
option->add
ins,
选择analysis
tool
pack。
2会跳出来一个窗口，再选中analysis
tookpack
,确定就好了。
3把得到的两组数据输入excel里。
4在data里面，选择data
analysis,跳出来新窗口，选中correlation（相关性）。然后按照提示，选中要分析的数据。
5excel会自动运行回归分析，给出分析报告。分析报告里mutiple
r
接近1，就说明两个的相关性比较大。拟合关系要看r2，显著性看signifnance
f。
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 +…+Bxip+ei(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。
以上就是关于显著性检验P值是多少全部的内容，包括:显著性检验P值是多少、多元回归分析方法中如何进行显著性检验、方差齐性检验的显著性是怎么得来的等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！
