是的，基于输出，sex并且income具有统计显着性。

sex并且可能status是名义变量，因此它们按原样出现在模型中很奇怪。如果它们是 0/1 变量，它可能会起作用，但它仍然存在出错的可能性。

为了安全起见，对于sex任何其他名义变量，将其包含在模型中，如下所示factor(sex)：

fitted.model <- lm(spending ~ factor(sex) + status + income, data=spending)

最后一列中的 p 值告诉您给定参数的回归系数的显着性。如果 p 值小到足以声称具有统计显着性，那仅意味着有强有力的证据表明该系数不同于 0。但在回归上下文中，认为这意味着性别和收入是只有重要的因素。正如我们所看到的（我认为对于这个数据集），变量是相关的，并且它们的系数和t统计量可能会发生很大变化，具体取决于回归中包含哪些其他变量。当模型中仅包含性别和收入时，您应该查看这些 t 检验的内容。

谁要求你确定这一点？这看起来像家庭作业，如果是的话，应该这样标记。

您问题的答案在很大程度上取决于回归上下文中“统计显着”的含义。按照您的建议查看最后一列将满足一个定义，但是一个相当简单的定义。

您上面引用的输出不包括摘要的其余部分，其中包括整体 F 检验。应该在单独测试之前检查该 p 值，可能有一个整体测试告诉您没有什么是显着的，但是由于多次测试的 alpha 膨胀，单独的测试或 2 显示显着性。

如果地位和语言相互关联，那么任何一个都可能是支出的一个非常“重要”的预测指标，但与另一个相比显得多余。

是的，您应该查看包含 p 值参数的最后一列。

通常，我们认为如果某个变量的 p 值 < 0.05，那么它是显着的并且与您的预测变量有某种关系。

在这种情况下，p 值为 0.0101 的性别和 1.79e-05 的收入都低于 0.05，因此是显着的。

p 值可以通过在 t 分布表中查找 t 值（第三列）来验证。通过将每个系数（估计 - 第一列）除以其标准误差（第二列）来给出 t 值。