1. 的 p值是假设“ ”的检验中的 p 值（通常是 2 边检验）。的 p值是假设“ ”的检验中的 p 值（通常也是 2 边检验），同样适用于回归中的任何其他系数。这些测试的概率模型由线性回归模型中假设的模型确定。对于最小二乘线性回归，对 ( )为中心的二元正态分布，并且每个系数的假设检验等价于检验是否$a$$\alpha = 0$$t$$b$$\beta = 0$$t$$a,b$$\alpha, \beta$$t$$\alpha = 0$ (resp. ) 基于来自合适正态分布的样本[一个变量，即单独或正态分布出现的细节有些复杂，涉及“自由度”和“帽子矩阵”（基于OLS 回归理论中经常出现的一些矩阵$\beta=0$$a$$b$$\hat{A}$

2. 是的。通常它由最大似然估计完成（并定义） 。对于OLS 线性回归和少数其他模型，有用于从数据估计参数的精确公式。对于更一般的回归，解决方案本质上是迭代的和数值的。

3. 不是直接的。对整个模型的检验单独计算 p 值，即对假设的所有系数（假定实际变化的变量的所有系数）的检验，因此不包括“常数项”的系数，如果存在一）。但是这个 p 值通常不能从系数的 p 值的知识中计算出来。

wrt您的第一个问题：这取决于您选择的软件。在这些场景中，确实有两种类型的 p 值经常使用，它们通常都基于似然比检验（还有其他的，但这些通常是等效的，或者至少它们的结果差别不大）。

重要的是要意识到所有这些 p 值都取决于（部分）其余参数。这意味着：假设（某些）其他参数估计值是正确的，您可以测试一个参数的系数是否为零。通常，这些检验的原假设是系数为零，因此如果 p 值较小，则意味着（根据其他系数的值）系数本身不太可能为零。

I 类测试根据模型中出现在它之前的系数的值（从左到右）来测试每个系数的零性。III 类测试（边际测试），以所有其他系数的值为条件，测试每个系数的零性。

不同的工具会显示不同的 p 值作为默认值，但通常您可以通过两种方式获得两者。如果您在统计之外没有理由按某种顺序包含参数，那么您通常会对 III 型测试结果感兴趣。

最后（更多地与您的最后一个问题相关），通过似然比测试，您始终可以为任何以其余为条件的系数集创建测试。如果您想同时测试多个系数为零，这是要走的路（否则您会遇到一些令人讨厌的多重测试问题）。