欢迎来到 StackOverflow。

我会尽量总结，但我们必须涵盖很多概念才能正确回答您的问题，如果有不清楚的地方，请发表评论，我可以更改/更正答案。

首先，我将从您的问题的语气中假设您知道假设检验是什么。

其次，在线性回归的上下文中，您通常假设您的特征是正态分布、iid（相同独立分布）、恒定误差方差（即它们不随 X 属性而变化）等。这些都是强有力的假设，记住这一点很重要，因为我们正在使用具有这些属性的数据计算回归系数。

简单来说，您有一组特征 X，在本例中为 A、B 和 C，并且您想预测成本，因此您有以下功能：

因此，您使用上面的方程来最小化 RSS（残差平方和）并找出您的系数。

现在，在假设检验的背景下，您想验证您的系数是否在统计上相关，也就是说，用简单的词说出来，您想检查它们是否离零足够远，以便您可以说它们是相关的，而不是一个统计事件。你到底是怎么做到的？创建一个您的系数为零的空假设，以及一个替代假设，否则。

（计算 Beta_1 系数的假设检验示例）

然后为您的系数计算 t 检验：

因此，您假设您的系数具有 t 分布，并且您想测试它是否离零足够远以确定其相关性。

然后，您计算 t 检验值并估计 p 值。因此，最后，您会问以下问题：我的系数来自以零为中心的分布的概率是多少？如果您的 p 值较高，则表明您的系数可能为零，或接近零且不显着。否则，如果您的 p 值较低，那么它不太可能来自零附近的分布，那么您应该在分析中采用这个系数（和特征）。

在视频的示例中，他使用了一个规则，即所有高于 0.05 的系数都没有统计相关性。在这里，0.05 被广泛用作一个分界点，但你必须意识到，关于这个选择存在很多问题，科学界内部的争论也没有解决。

如果您真的想了解所有涉及线性回归、统计测试和使用此技术建模数据时的问题的细微差别，我强烈建议您阅读《统计学习简介》 - 第 3 章。所有图像和见解均取自那里，并且我是机器学习技术的参考书。

我希望这有助于澄清你的问题。

删除变量不同于检验假设。假设检验不是用机器学习做的，而是用统计分析做的。在统计模型中，每个参数都可以被认为是对假设的检验，与显着程度相关联。此外，假设检验会根据变量之间的关联方式告诉您有关世界的一些信息。在这种情况下，您不关心性能，只需检查关联是否具有您期望的符号。

无论是否删除变量，为了提高模型的性能，这是一个不同的问题。这很大程度上取决于您正在使用的数据，您能否提供您的任务和数据集的描述？