我假设对于 JMP 中的多元线性回归模型，Lack of Fit 的 p 值检验 (Prob > F) 值表示整个模型是否显着？ 如果值小于0.05 那么我们认为该模型具有统计显着性吗？ 那么方差分析有什么用，或者对结果发现的（概率> F）值有什么帮助？ 对于一个模型，如果我们看不到该值是否在统计上不显着（值大于 0.05），那么我们是否应该假设该模型根本无法解释因变量和自变量之间的关系？ 提前致谢。
你好@shuddha7435 ,
下面我将一次解决您的每个问题，但我认为您可能会从总体上的多元回归概述中获得更多价值。 里面有一个模块工业问题解决的统计思维在线课程——完全免费且在线。您可以在以下位置注册并获得即时访问权限： https://www.jmp.com/statisticalthinking。
1. 失配测试：一般而言，JMP 中的失拟检验是对您的模型是否未充分指定的检验。 也就是说，您的模型是否缺少重要的术语/预测变量。 拒绝零假设是您需要拟合更复杂的模型以充分解释数据的证据（缺乏拟合检验以一种巧妙的方式做到了这一点，但这超出了本文的范围。 您可以在JMP 文档）。 该检验不是模型统计显着性的典型检验——它不是检验您是否有证据表明至少一个系数不为零的检验。
2.方差表分析： ANOVA 表显示整体模型统计数据，包括两个误差以及模型整体的平方和和均方之和。 此表中的 p 值就是您所说的综合检验，它检验模型作为一个整体是否解释了 Y 的变化比这种复杂性的模型偶然预期的更多（即具有尽可能多的度数）用于预测的自由度）。 在这里拒绝空值（一个小于你的 alpha 的 p 值，例如 0.05），证明我们的模型确实解释了比我们偶然预期的更多的 Y 变化——或者更简单地说，它提供了统计证据，即或更多我们的预测变量与总体中的 Y 具有真实关系。 我发现 Parameter Estimates 表提供更多信息，因为它显示了每个预测变量的系数及其相关的 p 值，测试是否有证据表明预测变量在总体中具有非零参数。
3. 拒绝空值失败： p 值大于我们声明的 alpha 值（例如 p > 0.05）导致我们不拒绝原假设，无法说明结果具有统计显着性。 这并不意味着模型解释了 Y 变量没有变化，只是模型解释的 Y 的变化量可以合理地归因于偶然性；我们还没有足够的证据来可信地拒绝机会作为我们观察到的 Y 和预测变量之间关系的解释。 这里还有一件事值得注意，你必须原谅我在我的肥皂盒上谈论这件事：虽然我们可以将拒绝原假设（例如 p < 0.05）视为效果的证据，但我们不能将未能拒绝原假设视为存在的证据不影响。 统计和认知问题都在起作用，它们都超出了本文的范围，但值得记住的是，我们从不接受零假设在频率论假设检验框架中。
我希望这可以澄清一些事情，我鼓励你研究工业问题解决的统计思维在线课程。
@朱利安
