现在，我们要测试线性回归函数的系数是否对因变量 (Calorie_Burnage) 有显着影响。

这意味着我们要使用统计测试来证明 Average_Pulse 和 Calorie_Burnage 之间存在关系。

解释系数统计的成分有四个:

我们将重点了解本模块中的 "P 值"。

P 值是一个统计数字，用于推断 Average_Pulse 和 Calorie_Burnage 之间是否存在关系。

我们测试系数的真实值是否等于零（无关系）。 对此的统计检验称为假设检验。

假设检验是一种统计程序，用于检验您的结果是否有效。

在我们的示例中，我们正在测试 Average_Pulse 的真实系数和截距是否等于 0。

假设检验有两个陈述。 原假设和备择假设。

数学写法:

标志 ≠ 表示 "不等于"

原假设可以被拒绝，也可以不被拒绝。

如果我们拒绝原假设，我们会得出结论，Average_Pulse 和 Calorie_Burnage 之间存在关系。 此结论使用 P 值。

P 值的常见阈值是 0.05。

注意: P 值为 0.05 意味着 5% 的时间，我们会错误地拒绝原假设。 这意味着我们接受 5% 的情况下，我们可能错误地缔结了一段关系。

如果 P 值低于 0.05，我们可以拒绝原假设并得出变量之间存在关系的结论。

但是，Average_Pulse 的 P 值为 0.824。 因此，我们无法得出 Average_Pulse 和 Calorie_Burnage 之间的关系。

表示Average_Pulse的真实系数为0的概率为82.4%。

截距用于调整回归函数更精确地预测的能力。 因此，解释截距的 P 值并不常见。