线性回归笔记spss和LinearRegression

H0,H1假设概念理解：

·常规理解：

在假设H0实际上为真时，我们可能犯拒绝H0的错误，称这类“弃真”的错误为第一类错误；当H0实际上不真时，我们也有可能接受H0，称这类错误为第二类错误。

一般来说，我们总是控制第一类错误，使犯第一类错误的概率尽可能小。称为“显著性检验”

这里的显著性是指只有当H0成立时，显著不合理的状态才能拒绝H0，否则只能“接受”H0，这里的接受是指不拒绝H0，原因是由于没有获得充分的理由拒绝H0而“勉强”接受。因此，使用显著性检验时，当检验结果为拒绝H0时，结论比较可靠，更具有说服力。

·个人举例理解：

H0假设 又叫零假设，一般来说，我们把想收集证据来尽可能驳斥的假设称为0假设，比如母鸡不会下蛋，鸟是不会飞的。

H1假设 又叫备选假设，一般来说，我们都希望备选假设，就是希望H1为真，比如我希望所有的黑人都会rap，有乌云就要下雨。

一般来说，假设检验的结果有下面两个：

1. H0错，H1对（用专业的话来说，就是接受H1，拒绝H0，因为有足够多的样本支持H1，比如我认识的黑人朋友有3个，并且他们说话都像唱rap一样。我们大可以说，黑人朋友们就是具有rap天赋，他们都会rap）。
2. H1错（用专业的话说，不拒绝H0，因为证据不够。比如3个黑人朋友有2个都不会rap，甚至还不如咱们的rap水平）

有一点要注意，无法拒绝H0并不是说H0为真，而是说我们的证据不足，无法证明H1。就像我们经常在法庭上听到，证据不足无罪释放。最后，这个人究竟有没有犯罪，还是不确定的，明确的只是法院没有充足的犯罪证据。

SPSS线性回归相关参数：