回归分析第9讲：为什么 t 显著但系数很小？显著≠重要吗？

统计

上一讲我们讲了标准误、t检验、F检验。

很多同学做到这里，以为：

t 显著 → 变量有影响 → 结果很重要

但是，我们会在大量论文、实际分析中看到这种奇怪现象：

变量	系数	t 值	结论
数字化投资指数	0.0031	7.82*	显著但效果极弱
ESG与融资成本	-0.06	4.05*	显著但降低幅度极小
广告投入与销量	0.002	5.9*	显著，但几乎推动不了销量

t值很大、p值很小，但系数本身小到可以忽略不计。

这些就是显著≠重要的典型案例。

显著和重要性不能划等号的问题，我们在前面多篇文章中也提到过。

【一】明明显著，为什么效果却很弱？

答案其实很简单：

t 值显著看的不是效果大小，而是是否“存在影响”

至于这个影响大不大，t 值并没有告诉我们。

统计显著解决的是：

问题	统计能回答吗？
这个变量影响Y吗？	能
影响有多大？	❌ 不知道
有研究意义吗？经济价值高吗？	❌ 不知道

也就是说：

t 显著 → 代表不是随机的，确实是“有影响”
效果大小 → 则要看系数本身，不是看 t

数学上 t 大并不代表 β 大，因为：

当SE很小（样本非常稳定、波动很弱）时，即使 β 很小，t 也能非常大。

这就是“确实有关系，但效果很微弱”的数学根源。

【二】英语学习函数的例子：显著，但成绩提升不多

我们回到班上同学的英语学习函数案例：

Y = 英语成绩（Score）
X = 每天学习英语的小时数(StudyHours)

在 SPSS 中运行回归，ANOVA 输出如下：

我们解释一下上述表格的含义：

统计量	含义	结果说明
F = 39.378	检验模型整体是否有效	p < .001 → 模型整体显著
回归平方和 288.709	X 解释的波动	学习时间确实能解释成绩变化
残差平方和 278.603	模型没解释的部分	仍有不少因素未纳入，例如英语基础、词汇量、学习方法…
总平方和 567.311	总体离散程度	学习时长 + 其他因素

F = 39.378 且 p < 0.001 ➜ 整体模型显著
意味着：学习时长对成绩不是随机现象，整体存在解释力
但这只能说明“有效”，不能说明“效果大”

F显著 → 至少有一个变量对Y真的有影响

但此时我们仍不知道：

影响多大？值不值得投入？效果是否具有现实意义？

这就需要看 t检验 + 系数大小。

SPSS输出的系数表如下：

对自变量 StudyHours 的解释如下：

指标	含义	本例结果意味
t = 6.275（非常大）	学习时长对成绩影响显著	p < 0.001，显著成立
SE = 0.367（标准误小）	估计稳定、置信度高	β靠得住、波动不大
B = 2.30	效果量	每天多学1小时，英语成绩约提升 2.3分

得到的结论是：

每天多学习1小时英语，平均可提升约2.3分。
这个结果不是巧合，统计上显著，很可靠。

但是！重点来了——

显著 ≠ 重要

t 再大，也不能代替“效果量”判断

换句话说：

变量是真的有效，值得花时间投入学习
但每天多学1小时只加2.3分，提升幅度并不惊人

如果是英语六级、雅思或托福备考，也许不够；
如果只是提高期末成绩，也许已经很有意义。

【三】显著 ≠ 重要 —— 回归分析最终目的是决策

统计检验帮助我们判断：

这个关系是否真实存在？（显著性问题）

而研究与决策真正关心的是：

变量存在归存在，但值不值得投入资源？（重要性与效益问题）

因此模型分析不能停在 p 值，而要继续问四个关键问题：

追问方向	含义
效果够大吗？	β是否小得微不足道？
可解释吗？	是否有明确经济或理论逻辑？
成本划算吗？	提升单位效果需要多少资源？
相比其他变量强吗？	是否有更值得投的因素？

如果 t 显著但 β 很小，你应该问：

我们真的要为提升2.3分，每天投入一个小时学习英语吗？一天多读5小时英语，才提高10分左右。有没有更高性价比的学习方法（其它变量）？

【四】本讲总结

概念	要点
显著（Significance）	说明变量影响不是0
效果大小（Effect Size）	影响到底强不强、值不值实际使用
t大但系数小	常见于样本量大/SE小，但经济效果弱

最后一句总结：

会读 p 值很容易，但不被 p 值误导却很难。