本研究利用Sen+MK方法分析了特定区域内的ET（蒸散发）趋势，重点评估了使用遥感数据的ET空间变化。该方法结合了Sen斜率估算器和Mann-Kendall（MK）检验，为评估长期趋势提供了稳健的框架，同时考虑了时间变化和统计显著性。 主要过程与结果： 1.ET趋势可视化：研究利用ET数据，通过ET-MK和ET趋势图展示了蒸散发在不同区域的空间和时间变化。这些图通过颜色渐变表示不同的ET水平及其趋势。 2.Mann-Kendall检验：应用MK检验来评估ET趋势的统计显著性。检验结果以二元分类图呈现，标明ET变化的显著性，帮助识别出有显著变化的区域。 3.重分类结果：通过重分类处理，将区域根据ET变化的显著性进行分类，从而聚焦于具有显著变化的区域。这一过程确保分析集中在具有实际意义的发现上。 4.最终输出：最终结果以栅格图和png图的形式呈现，支持各种应用，包括政策规划、水资源管理和土地利用变化分析，这些都是基于详细的时空分析。 ------------------------------------------------------------------- 文件夹构造： data文件夹：原始数据，支持分析的基础数据（MOD16A2H ET数据 宁夏部分）。 results文件夹：分析结果与可视化，展示研究成果。 Sen+MK_optimized.py：主分析脚本，适合批量数据处理和自动化分析。 Sen+MK.ipynb：Jupyter Notebook，复现可视化地图。

二、多元线性回归预测模型的显著性检验 与一元线性回归的情形类似，也应检验y与x1,x2…，xm之间的线性相关关系是否显著。只有线性相关关系显著时，所求得的多元线性回归模型才有应用价值，这时，也称回归模型（方程）的回归效果显著。 但与一元线性回归也有不同之处：一元线性回归中只有一个自变量，“回归效果不显著”与“b=0”是一回事；对于多元线性回归则要复杂得多，否定了假设 “H0：b1=b2=…=bm=0”时，认为多元线性回归方程的“整个回归效果是显著的”，有一定实用价值，但并不等于说y与所有的自变量xj(j=1，2，…，m)均有密切的相关关系，也可能有某几个xj与y 的相关关系并不密切，但没有影响大局。因此，对多元线性回归模型，除了要检验“整个回归效果是否显著”外，还应逐个检验每个回归系数bj(j=1，2，…，m)是否为零，以便分辨出哪些xj对y无显著影响。下面分别加以讨论。

@计量经济学变量的显著性检验.pdf，这是一份不错的文件

配对样本均数t检验——检验步骤 建立检验假设，确定检验水准 H0：d=0，两种结核菌素的皮肤浸润反应总体平均直径差异为0; H1：d0，两种结核菌素的皮肤浸润反应总体平均直径差异不为0; 0.05。 计算检验统计量 先计算差值d及d2如上表第四、五列所示，本例d = 39， d 2  195。

【MATLAB实战应用案例】-Matlab去线性相关分析及显著性检验（代码+数据）.zip

【Python在气象中的实战应用案例】Python计算降水线性倾向率并进行显著性检验.zip

SAS联系习题

回归系数的显著性检验 多重共线性检验 容忍度为0.597，共线性较弱； VIF为1.674，也表明共线性较弱

探讨用SPSS进行数据分析的方法。方法　针对数理统计中方差分析的模型,给出了应用统计软件SPSS进行方差分析的方法。结果　用此法,直观、快速、全面。结论　数据分析与SPSS软件应用有重要的实际意义,可以为企业、教育科研及政府机构提供全面信息统计决策支持服务。

我们从频域的角度检查五个最先进方法的显著性图创建中使用的信息内容。五个显著性检测器分别是Itti等，Ma和Zhang等，Harel等，Hou和Zhang等，Achanta等分别称为IT，MZ，GB，SR和AC。 我们把我们提出的方法称为IG。 这些算法的选择是出于以下原因：文献引用（IT的经典方法被广泛引用），近因（GB，SR和AC是最新的）和多样性（IT是生物驱动的，MZ纯粹是计算性的，GB是混合方法，SR估计频域的显著性，和AC输出全分辨率地图）。