spss回归分析中，如果P值很小，说明原假设情况的发生的概率很小，而如果出现了，根据小概率原理，就有理由拒绝原假设，P值越小，拒绝原假设的理由越充分。总之，P值越小，表明结果越显著。p=0.05=α=0.05 此时接受H0 表明参数相等或者无显著性差异或者不显著。
p值若与选定显著性水平（0.05或0.01）相比更小，则零假设会被否定而不可接受。然而这并不直接表明原假设正确。p值是一个服从正态分布的随机变量，在实际使用中因样本等各种因素存在不确定性。产生的结果可能会带来争议。
扩展资料
显著性检验有时，根据一定的理论或经验，认为某一假设h0成立，例如，通常有理由认为特定的一群人的身高服从正态分布。当收集了一定数据后，可以评价实际数据与理论假设h0之间的偏离，如果偏离达到了“显著”的程度就拒绝h0，这样的检验方法称为显著性检验。
偏离达到显著的程度通常是指定一个很小的正数α（如0.05，0.01），使当h0正确时，它被拒绝的概率不超过α，称α为显著性水平。这种假设检验问题的特点是不考虑备择假设，考虑实验数据与理论之间拟合的程度如何，故此时又称为拟合优度检验。拟合优度检验是一类重要的显著性检验。
参考资料来源：百度百科—P值
参考资料来源：百度百科—假设检验
可能显著，可能不显著。显著性检验的基本原理是提出“无效假设”和检验“无效假设”成立的机率（P）水平的选择。所谓“无效假设”，就是当比较实验处理组与对照组的结果时，假设两组结果间差异不显著，即实验处理对结果没有影响或无效。
这个严谨的说，就直接对这个p=0.05进行一个讨论 可能是显著 也可能是不显著，因此可以在以后的研究中扩大样本量进一步求证。 但实际是你双击以下 那个0.05 肯定后面还有很多隐藏的位数。所以不可能是恰好等于0.05，一般都是大于0.05
扩展资料
如果P值小于某个事先确定的水平，理论上则拒绝零假设，反之，如果P值大于某个事先确定的水平，理论上则不拒绝零假设。常用的显著性水平是0.05，0.01和0.001[1]。
不同的水平各有优缺点。水平越小，判定显著性的证据就越充分，但是不拒绝错误零假设的风险，犯第二类错误的可能性就越大，统计效力就越低。
选择水平不可避免地要在第一类错误和第二类错误之间做出权衡。如果犯第一类错误造成的后果不严重，比如在试探性研究中，我们可以将α水平定得高一些，如0.05或0.1。
如果研究样本很小，为了提高统计效力，我们在某些研究中也不妨提高口水平。但是，如果犯第一类错误造成的后果很严重，比如我们要基于某项研究发现决定是否在全国推行某项教学改革，我们则需要将α水平定得低一些，如0.01或0.001。
参考资料：百度百科-显著性检验
本回答被网友采纳你就这样在论文里面写也是没问题的
但实际是你双击以下 那个0.05 肯定后面还有很多隐藏的位数。所以不可能是恰好等于0.05，一般都是大于0.05本回答被提问者采纳
统计专业追问
有什么理论依据吗？因为写论文的时候需要依据
追答P=0.05就有意义