到底有什么不同：模型p值 vs. 真实值和预测值p值

一、首先我们通过一个问题来理清这两个概念

我有100个样本点，一个自变量是NDVI，回归量是AGB，我做了一个线性模型，得到了一列预测值AGBP，我想知道这个模型的p值，和AGB与AGBP这两列数据的p值是一个东西吗？

二、答案

不是！

回归模型的p值（通常称为回归系数的显著性检验）用于评估回归模型的拟合程度，即自变量与因变量之间的关系是否显著。在假设检验中，p值是用来衡量观察到的样本结果在统计学上是否支持原假设（假设回归系数为零）的程度。如果回归模型的p值小于显著性水平（通常设定为0.05），那么我们可以拒绝原假设，即认为自变量与因变量之间存在显著的线性关系。

而AGB与AGBP这两列数据的p值通常是用来评估两个变量之间的相关性的显著性。在这种情况下，你可以进行相关性分析（如Pearson相关系数），然后计算得到AGB与AGBP之间的p值。该p值用于判断AGB与AGBP之间的相关性是否显著，如果p值小于显著性水平（通常设定为0.05），则认为这两个变量之间存在显著的线性相关性。

因此，回归模型的p值和AGB与AGBP之间的p值是两个不同的统计量，用于评估不同的假设。

三、计算方法

真实值和预测值p值在这里就不讲了，SPASS、Python都提供了很便利的方法

这里只提供一个matlab的模型p值计算方法：

model = fitlm(x, y);
pValues = model.Coefficients.pValue;
disp(pValues);

x为自变量，y为因变量

我自己也实验过，有的数据这两个p值是相同的，而有的数据则大相径庭，建议使用一个计算标准，弄清楚自己需要的到底是哪个p值，不然真的很容易出错~