教程 ·

线性回归分析解读：两个系数不显著，这张表该怎么读

线性回归分析解读怎么做：整体模型和单个系数分开看，回归分析怎么看显著、回归系数的显著性检验逐项拆解，不显著先查共线性再查测量，演示数据 N=300。

线性回归分析解读的第一步是把整体模型和单个系数分开看：F 检验回答这组变量整体有没有解释力，t 检验回答每个变量单独站不站得住。

这一页解决什么

回归跑完，表拉出来一看心里咯噔一下：模型整体是显著的，可四个自变量里有两行 p 值明明白白地大于 0.05。是模型选错了、数据有问题，还是这半个月白忙了？很多人这时候第一反应是去搜"回归不显著怎么调数据"——先把这条路堵死：不能调。这篇把这张表逐行读一遍，顺便说清楚不显著的时候真正该做什么。

多元线性回归怎么跑那一篇讲的是怎么把这张表跑出来；这一篇讲跑出来之后怎么读。同样用一份模拟问卷数据（演示数据，N=300，非真实论文数据）：以使用意愿（BI）为因变量，感知有用性（PU）、感知易用性（PEOU）、社会影响（SI）、使用态度（ATT）四个维度当自变量。

第一步：先看模型整体

F(4, 295)=27.122，p<0.001，R²=0.269，调整 R²=0.259。产品给出的解读是"模型解释了 BI 约 25.9% 的方差"，还顺手看了一眼 Durbin-Watson=2.192，说它"接近 2，残差无明显自相关"——这一步过了，说明这四个变量凑在一起是有解释力的。

整体显著和"每个变量都显著"是两回事，回归分析怎么看显著，很多人恰恰是在这一步把结论下早了：模型整体 p<0.001 不等于四个自变量个个都过线。

第二步：逐行看系数，回归系数的显著性检验怎么判断

变量BBetatp
感知有用性 PU0.3210.3075.117<0.001
使用态度 ATT0.2740.2784.871<0.001
感知易用性 PEOU0.0360.0330.6300.529
社会影响 SI-0.053-0.042-0.8340.405

数据来源：ChatSRS 多元线性回归分析结果截图，演示数据 N=300，PU→BI 等四变量回归，本文未做任何换算。

感知有用性和使用态度两行过线了（p<0.001）；感知易用性（p=0.529）和社会影响（p=0.405）没过线。AI 给的判断是："在控制了 PU 和 ATT 后，'AI 是否好用'和'周围人是否在用'对学生实际的行为意向并无独立的额外影响。"——注意它接着补的那半句，它说这两个变量"要么通过 PU/ATT 间接起效，要么本身对学生行为意向的解释力有限"，两扇门都留着，没有一句"它们没有影响"。这个分寸写进论文差别很大。

ChatSRS返回的线性回归分析结果表原始输出，表头为变量/B/标准误/Beta/t/p/VIF/容差，四行自变量加常数项，表尾列出R²、调整R²、F、Durbin-Watson值与N，表下附"显著性：*p<0.05，**p<0.01"备注 ChatSRS 跑出的完整回归表原始输出：变量、B、标准误、Beta、t、p、VIF、容差一行一个，表尾 R²、调整 R²、F、Durbin-Watson 值、N 五项齐全——先看"产品跑出来长这样"，未做任何标注。

社会影响那行的系数是负的（B=-0.053），产品也专门说了一句"绝对值小且不显著，可视为噪声"，没往上硬解释成"社会影响会拉低使用意愿"。

第三步：不显著的时候该做什么

先说不该做的。删掉几个"碍事"的样本、把某几道题的答案改一改、换着法子试到 p 值小于 0.05 为止——网上确实有人这么教，但这已经不是统计问题了，是学术诚信问题，查重和数据复核都可能翻出来。不显著本身就是一个结论，如实报出来，论文照样成立。

该做的是这三件：

  1. 先排除变量互相打架。四个自变量之间高度相关的时候，系数会被拆得谁都不显著，这叫多重共线性。VIF 在 1.002–1.456 之间，容差在 0.687–0.998 之间，产品还专门又跑了一次共线性诊断，结论是"回归系数不会被互相'吃掉'或放大，前述'PU、ATT 显著，PEOU、SI 不显著'的结论是可信的，不存在因共线性导致的失真"。共线性怎么查、VIF 和容差字段各自代表什么，APA 回归表字段解读那一篇有更完整的字段说明。所以这次不显著，跟变量之间打架没关系。
  2. 回头看测量本身靠不靠谱。社会影响这个维度不显著，往前翻同一份数据的信度和效度结果就会发现，这个维度本身内部一致性偏弱，里面有一道题在因子分析里单独占了一个因子——题目量不准，后面的回归自然带不出关系来。这条线索本篇不展开，具体的信效度数值留给专门讲效度的文章处理。
  3. 如实报告，把话说到位。不显著的变量照样要写进结果表，然后按"在控制了 PU 和 ATT 后……并无独立的额外影响"这样的口径写清楚。做得规范的论文，反而会因为报了不显著的结果显得更可信。不显著具体该怎么判断、跟"回归不显著能不能继续分析"这类问题的完整判断标准，可以参考统计显著性怎么判断。

ChatSRS返回的线性回归分析结果高亮解读图，感知有用性B值、使用态度B值、感知易用性整行、社会影响整行四处高亮，表下附共线性分析小表（PU/PEOU/SI/ATT四行VIF值与容忍度）及解读文字说明回归系数不会被互相吃掉或放大 同一张表的高亮版：感知有用性（PU）的 B、使用态度（ATT）的 B、感知易用性（PEOU）整行、社会影响（SI）整行四处高亮；表下附共线性分析小表和解读文字，说明这次不显著跟变量互相打架无关。

边界提醒一句：产品在收尾时把这个模型的天花板也报了出来——"调整 R²=0.259 意味着还有约 74% 的变异未被这四个变量解释"，并建议再加入性别、年级、专业、使用频率等人口学变量做控制变量。回归讲的是变量之间一起变的关系，谁导致谁得靠研究设计说话；p 值该卡多少、不显著要不要保留变量，不同学科和期刊的习惯也不完全一样，拿不准还要看导师和目标期刊的要求，AI 给的判断也要自己复核一遍。

什么情况下不适用

  • 本文的"不显著怎么办"三步法，前提是模型整体显著、只是部分系数不显著；如果模型整体 F 检验就没过，问题通常出在变量选择或研究设计层面，不是这三步能解决的。
  • 社会影响维度测量质量偏弱这条线索，本文只提结论、不展开具体的信度效度数值，避免跨文章数字口径打架；需要完整数据的读者建议查看专门讲效度的文章。
  • 回归系数的显著性检验判断出的是统计关联，不是因果关系；PU、ATT 显著不代表"提升 PU 一定会提高 BI"，这句话的成立还需要研究设计支持。

常见问题

回归分析怎么看显著，是看整体 F 检验还是看单个系数的 p 值？

两个都要看，而且是两件事。整体 F 检验回答"这组自变量放在一起，对因变量有没有解释力"；单个系数的 t 检验和 p 值回答"某一个自变量单独站不站得住"。本文示例里模型整体显著（F=27.122，p<0.001），但四个自变量里只有两个的系数显著，这是完全可能同时成立的两种结果。

回归系数不显著，是不是说明这个变量跟结果没关系？

不一定。系数不显著通常有两种可能：一是这个变量确实通过其他路径间接起作用（比如通过另一个显著变量传导），二是这个变量本身对结果的直接解释力有限。本文示例里 AI 给出的措辞是"要么通过 PU/ATT 间接起效，要么本身对学生行为意向的解释力有限"，没有下"完全没有影响"这个更强的结论。

回归系数的显著性检验受共线性影响吗？

会。如果自变量之间高度相关（多重共线性），系数会被拆得谁都不显著，这时候看到的"不显著"其实是共线性造成的假象。本文示例先查了 VIF（1.002–1.456）和容差（0.687–0.998），确认数值都在正常范围，才排除了共线性干扰，说明这次的不显著是真实结果，不是共线性造成的。

回归结果解读时，不显著的系数要不要写进论文？

要写。不显著本身就是一个结论，删掉不写反而是信息缺失。规范的做法是把所有自变量的系数（不管显著与否）都列进结果表，然后按"控制了其他变量后，该变量并无独立的额外影响"这样的口径描述，不夸大也不回避。

线性回归分析解读时，调整 R² 只有 0.259 是不是模型不好？

不能简单下"不好"这个结论。调整 R²=0.259 说明这四个自变量解释了约 25.9% 的方差，还有约 74% 的变异未被解释，这是模型的真实局限，建议如实报告并说明可能还有哪些未纳入的变量（比如人口学变量）。调整 R² 高低的评判标准因学科而异，社会科学研究中这个区间并不罕见。

读懂你自己的那张回归表

准备好去标识的问卷数据后，可以登录 ChatSRS 对着自己的回归系数和显著性判断核对一遍。按"整体模型 → 逐行系数 → 不显著先查共线性再查测量"这三步走，结果同样建议逐项核对后再写进论文。

相关文章推荐

本文演示数据为模拟问卷（N=300，PU/PEOU/SI/ATT→BI 四变量回归），非真实论文数据。具体功能、数据处理规则和价格以当前产品页面与真实输出为准。