我们在用统计软件工具，比如SPSS、R、python在做多元线性回归时，通常会看其系数的P值，但你真的理解这个P值吗？关于这个问题，我们首先需要了解什么是假设检验、假设检验的两类错误以及P值的含义。

假设性检验的定义：提出检验假设又称无效假设，也称为原假设，符号是H0；备择假设的符号是H1。H0：样本与总体或样本与样本间的差异是由抽样误差引起的；H1：样本与总体或样本与样本间存在本质差异；预先设定的检验水准α为0.05；当检验假设为真，但被错误地拒绝的概率，记作α，通常取α=0.05或α=0.01。

假设检验的两类错误：当原假设H0为真，我们却拒绝原假设，这时我们便犯了第一类错误或 α错误，也称为拒真错误；当原假设为假，我们却接受了它，这就是第二类错误，也称受伪错误或β错误。

P值其实就是一种统计量发生的概率，比较它与我们与设定的显著性水平α来判断结果：若P>α，结论为按α所取水准不显著，不拒绝H0，即认为差别很可能是由于抽样误差造成的，在统计上不成立；如果P≤α，结论为按所取α水准显著，拒绝H0，接受H1，则认为此差别不大可能仅由抽样误差所致，很可能是实验因素不同造成的，故在统计上成立。

从另一个角度来理解，P值描述的是H0在极端情况下发生的概率，其值越小表明这是H0原假设事件发生的概率越小，H0的发生是一个小概率事件，因此应该拒绝它，那么怎样判断要不要拒绝呢？这就是预设的显著性水平α，如果P