和用于判断非常不同的事物。用于判断您对的估计的准确性，但衡量您的协变量解释的响应变量的变化量。假设您正在估计具有观测值的回归模型，$t$$R^2$$t$$\beta_i$$R^2$$n$

$$Y_i = \beta_0 + \beta_1X_{1i} + ...+ \beta_kX_{ki}+\epsilon_i$$

其中 ,。$\epsilon_i\overset{i.i.d}{\sim}N(0,\sigma^2)$$i=1,...,n$

大值（绝对值）会导致您拒绝的原假设。这意味着您可以确信您已经正确估计了系数的符号。此外，如果>4 并且您有，则 0 不在系数的 99% 置信区间内。系数的值是估计与由标准误差归一化的 0 之间的差异。$t$$\beta_i=0$$|t|$$n>5$$t$$\beta_i$$\hat{\beta_i}$$se\{\hat{\beta_i}\}$

$$t=\frac{\hat{\beta_i}}{se\{\hat{\beta_i}\}}$$

这只是估计值除以其可变性的度量。如果您有足够大的数据集，您将始终具有统计上显着（大）的。这并不一定意味着您的协变量解释了响应变量的大部分变化。$t$

正如@Stat 所提到的，衡量您的因变量解释的响应变量的变化量。有关的更多信息，请访问维基百科。在您的情况下，您似乎有足够大的数据集来准确估计的，但您的协变量在解释和\或预测响应值方面做得很差。$R^2$$R^2$$\beta_i$

说与 caburke 相同的事情，但更简单地说，您非常确信由变量引起的平均响应不为零。但是在回归中还有很多其他的东西是你没有的，它们会导致响应跳来跳去。

可能是因为尽管您的预测变量在响应变量方面呈线性趋势（斜率与零显着不同），这使得 t 值显着，但 R 平方较低，因为误差很大，这意味着您的数据很大，因此您的回归模型不合适（预测不准确）？

只是我的2美分。

也许这篇文章可以提供帮助：http ://blog.minitab.com/blog/adventures-in-statistics/how-to-interpret-a-regression-model-with-low-r-squared-and-low-p-价值观

给出的几个答案很接近，但仍然是错误的。

“t 值用于判断您对 βi 的估计的准确性”是我最关心的问题。

T 值只是随机发生的可能性的指示。大意味着不太可能。小意味着很有可能。正面和负面对可能性解释无关紧要。

“R2 衡量由协变量解释的响应变量的变化量”是正确的。

（我会发表评论，但这个平台还不允许。）