确实，如果有 40 个变量，您会认为有两个变量是重要的（当使用 0.05 的常规 alpha 时）。这就是为什么在评估作为一个整体的模型的 F 检验之前，我们不应该解释多元回归模型的单个 t 检验。（它可能会帮助您在这里阅读我的答案：线性回归中的显着性矛盾：系数的显着 t 检验与非显着的总体 F 统计量。）如果我有一个具有非显着 F 检验的模型，但是 2在 40 个变量中单独显着，我会将这些结果解释为实际上没有意义。

需要明确的是，我不会说“这些影响不是真实的”，因为这不是对非显着结果的有效解释（请参阅：为什么统计学家说非显着结果意味着“你不能拒绝零”而不是接受零假设？）我会说您没有足够的证据来拒绝零假设。

关于后续问题（如何知道 4 个中有 2 个是真实的，哪个是假的），您永远不会知道重要变量是否与响应具有“真实”关系，您永远不会知道非重要变量是否不。这是我们正在玩的游戏性质的一部分。如果您真的担心您的某些结果可能是错误发现的可能性，您可以使用错误发现程序来探索它，但在您描述的那种情况下这样做并不常见。

如果我正确地阅读了您的问题，那么您只是在询问统计中的多重比较，这是一个众所周知的现象。为了解决这个问题，您可以使用Bonferroni-correction之类的方法来纠正您的重要性，尽管存在许多类型的纠正方法。

请注意，您还需要考虑分析的含义。它会决定您的公司或医疗部门的运作方式吗？那么你可能应该更认真地对待它，而不是你的研究只是为铺平道路和指导未来的研究。多重比较以及我们如何解决它，本质上只是类型 1 和类型 2 错误之间的一种舞蹈。

编辑：阅读您的编辑后。

这可能是我的主要观点：在这种情况下，回归系数水平的显着性是否意味着什么？

相对于整个模型，系数告诉您协变量对因变量的影响的方向和大小。如果协变量的 p 值显着，但模型包含足够多的个体协变量而没有预先确定的假设，那么您怀疑未调整的 p 值可能是错误的，即使确实显着，系数和 CI 也可能被夸大. 关于系数的另一个重要部分是您对混杂因素的控制程度，因为这些混杂因素会显着改变模型中的系数。关于这个主题的相关文献。