大于0.05 说明在0.05水平上不显著 接受原假设 也就是你得到的回归方程 是不可以的。你看一下是不是sig值小于0.1 如果小于的话 说明在0.1水平下显著 那也可以 在一个 你看看回归方程的拟合优度R值 怎么样 如果较大的话 方程就可以用了

看看没做主成分前的情况如何啊，每个自变量和因变量的关系是不是线性的，再说，主成分回归这个东东也不怎么靠谱啊

恩，是概率p值。。。好像要小于才对

Sig值比较大，在0.1以上了，拟合优度一般，在0.4左右，是因子分析的结果不对吗？那要怎么修改方程呢，怎样删减变量才能达到效果，它们之间不存在多重共线性。多谢啦。。。

每个自变量和因变量是线性关系，但用提取主成分之前的原始变量回归，结果也不太显著。。。

那可能只有一个主成分就管用吧，我觉得

那你看一下 建立的回归方程 是不是选择 非线性方程会好些。你分别试一下 什么指数方程 对数方程等等

拟合度0.4说明这个模型根本就不行，至少要0.7,0.8才可以的，而P值稍微次要一点，不要太大就好说，0.1左右问题都不打，不一定非要小雨0.05。删减变量不可行，拟合度会更小，你试试去掉截距项效果如何

当然了，如果删除变量拟合度变大，只是说明多重共线性存在

sig就是传说中的P值。SPSS的K-S检验包括正态分布、均匀分布、泊松分布和指数分布四项，不能直接做对数正态分布检验，只有在你的原始数据做了对数转换之后你才能使用K-S检验测试是否服从正态分布。K-S检验的原假设是数据服从指定的分布(如正态分布)，因此当sig大于0.05时就说明数据服从指定的分布(如正态分布)，sig越大越能说明数据服从指定的分布(如正态分布)。

如果你的数据在对数分布P-P图上基本处于同一直线，那么就可以认定符合对数正态分布，这一点是没有问题的。如果你想定量地证明这一点，就像我上面说的那样，要对你的原始数据做对数转换之后使用K-S检验测试是否服从正态分布，如果服从正态分布(sig大于0.05)，就可以推断你的原始数据服从对数正态分布。

P值出现于统计学的检验假设(Hypothesis Test)中，其意思是当原假设(Null Hypothesis)成立的条件下，能够出现至少你的实验结果一样大或更大的统计量的概率。以你的分析为例，你的P值越大，就表明在原假设(如服从正态分布)成立的条件下，得到你这份数据结果的统计量的概率越大。一般情况下，当P值大于0.05是就可以认为原假设成立。

你在我的空间中提供的P值的文章，它们的解释是不完整的。P值的解释必须跟原假设联系在一起在有意义，否则就不能完整地理解P值的意义。比如，在两组样本的t检验中，原假设一般是两组之间无显著差异。如果跟根据你的两组实验结果算出的t值其对应的P值大于0.05，就可以认为原假设成立，两组无显著差异;反之则说明备择假设(Alternative Hypothesis)成立，两组有显著差异。