我对线性回归的零假设感到困惑。

这个问题比回归更广泛地适用于零假设

就零假设而言，这意味着什么？

在查看 p 值之前，您应该习惯于声明空值。

我是否拒绝该变量的系数为 0 的原假设

是的，只要是人口系数，（$\beta_i$）您正在谈论（显然-具有连续响应-系数的估计值不是0）。

还是我接受系数为 != 0 的零假设？

空假设通常是空的——要么是“无效”，要么是一些传统上接受的值。在这种情况下，人口系数为 0 是典型的“无效”空值。

更简单地说，当针对复合备选项（在这种情况下为双边备选项）测试点假设时，将点假设视为零，因为这是我们可以计算检验统计量分布的假设（更一般地说, 使用空集的开集会带来某些问题，即使两者都是复合的）。有了一对点假设，一个人（至少在机械上）可以自由地将其中任何一个设为空值（即使这样，人们通常仍希望将最明显“空”的一个设为空值——如果其中任何一个是的话；即选择“无效”或传统上接受的一个无效）。

R 中回归输出中的 P 值检验系数等于 0 的原假设。

任何回归方程由 y = a + b*x + u 给出，其中“a”和“b”是最佳拟合线的截距和斜率，“u”是干扰项。想象 b=0; 那么等式将是 y = a + 0*x + u = a + u。请注意，“x”已消失。它只是意味着 y 和 x 之间没有关系。因此，检验假设是，Ho：b=0；哈：b！= 0

下一步是将临界值与检验统计量进行比较。如果测试统计数据位于拒绝区域内，那么我们会剔除 Null 假设。

或者，p 值还通过指出测试统计数据和末端尾部之间剩余多少概率来传递此信息。