关于回归分析中t检验和f的疑惑
t检验常能用作检验回归方程中各个参数的显著性，而f检验则能用作检验整个回归关系的显著性。各解释变量联合起来对被解释变量有显著的线性关系，并不意味着每一个解释变量分别对被解释变量有显著的线性关系。
R方为决定系数，即拟合模型所能解释的因变量的变化百分比。例如，R方＝0．810，说明拟合方程能解释因变量变化的81％，不能解释的19％。
F是方差检验，整个模型的全局检验，看拟合方程是否有意义，T值是对每个自变量进行一个接一个的检验（logistic回归），看其beta值，即回归系数是否有意义
F和T的显著性均为0．05，
spss结果中，F值，t值及其显著性(sig)的解释
用spss处理完数据的显示结果中，F值，t值及其显著性(sig)都分别是解释什么的？
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(probability distribution)进行比较，我们可以知道在多
少%的机会下会得到日前的结果。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null hypothesis,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，与它们相对概率分布，就是F分布和t分布。统计显著性(sig)就是出现日前样本这结果的机率。
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，