大意如下：
在原假设之下，LR chi2 (k-1) 服从大样本卡方分布（自由度为 k-1），并且所有的解释因子（解释变量？）均是无效的（不能提供有效信息）。

请根据上下文进一步分析。

楼上的直译不错阿！ 楼主您就参考一下吧！

不过楼主您是不是页码打错了？  还是您的书是新版？ 我的是旧版？
我的同样是2006年的书，怎么是在256页？

像Baum的书，除了阅读，演练会更有心得。
use http://www.stata-press.com/data/imeus/womenwk, clear
logit work age married children education, nolog
sca L1=e(ll)
sca L0=e(ll_0)
di L1
di L0

作者在这边主要谈论probit或logit的模型配适问题。
简言之，可透过摆不摆解释变量的两模型得到的L1与L0概似值捡定之，
您也可以想成lrtest【概似比检定】，当然，大样本下，可以说是chi-squre分配。
按作者书中举的例子，是拒绝虚无假设的，
虚无假设是指 这些解释变量都是废物没有用 或者说没有提供讯息 又或者说都没有联合显著异于零。
作者书中的例子， 这些解释变量都不是废物  都有用 都有提供讯息 都有显著异于零。

祝 楼主 顺心 自在  

还有 请尽量不要被英文玩死  虽然我知道，现在很流行，讲一些让大家都听不懂的话 证明自己有学问。

楼主用的是论坛上 一位用ocr重新识别和编辑的那个版本的书。https://bbs.pinggu.org/thread-1103569-1-1.html
论坛上扫描版本不清楚。从新识别的很清晰，文件也小，只是页码与原版的变化了。

1、一般线性模型的显著性检验时用F检验，即
    所有的x的系数是否同时为零（不包括截距项）。

2、而非线性模型，如logit，probit是ml估计，得到的是极大似然估计值，
    因此，非线性模型的联合显著性检验，一般用 Wald test，LM test或 LR test。（可以看 greene的书，或者
计量经济学方法(第4版)(Econometric Methods(4th) （美）约翰斯顿 jack johnston（美）迪纳尔多 John dinardo)


   这些检验同样，其虚拟假设：H0： b1=b2=...=bn=0
  所以的解释变量的系数同时为零，意味着，选取的解释变量对被解释变量没有解释的作用。

  3、 ML估计一般是具有大样本特性的，所以，如果用ML估计的模型，样本小，那么利用模型进行统计推断就有问题。
因此，上文提到的统计量是在大样本条件下才是 卡方分布。


楼主提到的例子就是LR test（似然比检验）。

最后一条建议非常中肯，我就是因为看中译本的相关段落时不知所云，才上论坛求助各位的。

另外也说明本人的计量基础还是太稀松了。

null hypothesis 有十分传统而固定的翻译，就是原假设（或者零假设）。
不清楚为什么大家称作“虚无假设”？莫非我落伍了？