老师用F检验已经有无法拒绝原假设的结论了，为什么还要再算一遍T分布？

答：要理解这个问题只组要理解F检验与T检验区别就可以了

统计推断有三个步骤

1. 计算点估计值
2. 计算点估计的抽样分布标准差
3. 根据以上两个来得到检验统计量，使用t检验时计算t值，使用F检验时计算F值

t检验的t值认定服从t分布，F检验的F值认定服从F分布


先说为啥要进行假设检验(t检验，f检验)，而不是仅仅点估计之后就结束
因为点估计值是我们根据样本计算的来的样本统计量的值，而我们希望得到的却是总体参数值。
所以在计算得到样本统计量后，我们要判断这个样本统计量体现出来的自变量和因变量之间的关系是否真的反映了总体中的自变量和因变量的关系，还是仅仅只是由于抽样误差导致的。我们要判断由样本计算得到的这些点估计值b是否显著区别于0或者我们假设的其他值。


t检验：

1. 点估计值为b，b的抽样分布服从t分布，且抽样分布标准差为SE
2. 现在我们假设b对应的总体参数值为a，若b是a的无偏点估计有E(b)=a
3. 计算t值：t=（b-a）/ SE

t值所表达的意思是，在样本统计量b抽样分布为t分布情况下，点估计值b和我们假设的总体参数a之间差异，这个差异以抽样分布标准差为尺度。
综上，t值越小说明在样本统计量抽样分布服从t分布情况下，点估计值b和研究者假设的总体参数a之间的差异相对于抽样分布标准差而言越小，也就是点估计b和假设的总体参数a的区别不显著，是一致的，可以接受假设a；t值越大则反之。当然实际使用时还需要根据t值去查t分布表，根据显著度来判断是否接受假设a。
f检验：
f检验统计量的构造是用回归均放MSR除以残差均方MSE，由于回归均方和残差均方都是服从各自自由度的卡方分布，所以的到F值是服从这两个自由度的F分布。
t检验是对单个点估计值进行的检验，F检验是对多个点估计值进行的检验。
假设某个总体模型的因变量y和三个自变量x1，x2，x3相关，然后通过样本训练出了y=b1*x1+b2*x2+b3*x3，即三个点估计值分别是b1，b2，b3。那么和前面的问题一样，y是否真的和x1，x2，x3中的至少一个有关？还是b1，b2，b3这三个点估计值仅仅是由于抽样误差导致的。这就需要用到F检验。根据模型计算出SSR和SSE，然后除以各自自由度得到MSR和MSE，然后计算得到F值，然后根据F值及自由度查询F分布表。看模型是否显著区别于0。
F统计量是用来检验由b1，b2，b3所解释的方差是否出于偶然性，其偶然性的程度就是由MSE来衡量的，F值越大说明偶然性程度越小，b1，b2，b3就越显著区别于0，0，0。