当然是设计结论成功更好，但无论成功与否，关键是要把结果分析清楚，以及得到的收获要写出来
有必要。根据相关资料查询显示：论文不显著也没有关系，因为论文追求的就是实事求是，但是作图还是有必要的，其可以使得自己的论文更加的美观整洁，具有非常直观的功效。
也不一定，成功的话最好，当然也可以留有进一步研究的空间
1、残差均方大。包括测量误差大，模型外有显著因子，误差自相关，或者真实不显著项未并入残差均方中。
2、共线性。方差膨胀因子太大。
3、该因子取值范围或波动范围太小，导致效应小。
4、模型外因子与该因子存在交互作用，把因子效应抵消。
5、该自变量因子存在测量误差，或记录与实际不符。
6、未做残差诊断，违反稳定，正态，独立，等方差假设，或有异常值未处理。
7、数据太少或抽样量太小，偶然性导致的。
8、手动计算错误。
扩展资料：
线性回归分析注意事项：
在应用相关和回归分析时，一般分为定性分析和定量分析两个阶段，其中定性分析虽然并不复杂，但也及其重要。通过定性分析，我们来判明分析的变量之间是否存在相互依存关系，而后才能转入定量分析。需要指出的是，不能不加分析地，将两个变量凑合在一起进行定量分析，这样往往会得出虚假相关的结论。
利用拟合的数学表达式所取得的回归方程，均是在一定范围内的有限资料计算得到的。理论上来说，其有效性只适用于该范围内，不适用于该范围外，即只适用于内插推算，不宜用作外推预测。
一般相关只是单独地分析两个变量之间的相关，它不会去控制其他变量的影响。回归的话是如果你放入多个自变量做回归，那么你看到的某一个自变量的回归系数其实代表的是控制了其他自变量（也就是减去了其他自变量对因变量的效应）后的回归，也就是说，他并不代表该变量单独对因变量的影响。差别就在于是否控制了所关注变量外的其他变量。相关分析用于研究定量数据之间的关系情况，包括是否有关系，以及关系紧密程度等。1、如果呈现出显著性（结果右上角有*号，此时说明有关系；反之则没有关系）；有了关系之后，关系的紧密程度直接看相关系数大小即可。一般以上说明关系非常紧密；之间说明关系紧密；说明关系一般。2、如果说相关系数值小于，但是依然呈现出显著性（右上角有*号，1个*号叫水平显著，2个*号叫水平显著；显著是指相关系数的出现具有统计学意义普遍存在的，而不是偶然出现），说明关系较弱，但依然是有相关关系。3、相关分析是回归分析的前提条件，首先需要保证有相关关系，接着才能进行回归影响关系研究。4、因为如果都显示没有相关关系，是不可能有影响关系的。如果有相关关系，但也不一定会出现回归影响关系。相关分析的操作步骤1. SPSSAU用户可自由拖拽分析项进入分析列表框，区别仅在于输出格式不同。2. 相关分析使用相关系数表示分析项之间的关系；首先判断是否有关系(有*号则表示有关系，否则表示无关系)；3. 接着判断关系为正相关或者负相关(相关系数大于0为正相关，反之为负相关)；4. 最后判断关系紧密程度(通常相关系数大于则表示关系紧密)；5. 相关系数常见有两类，分别是Pearson和Spearman，本系统默认使用Pearson相关系数。在相关分析之前，SPSSAU建议可使用散点图直观查看数据之间的关系情况。除此之外，SPSSAU还提供Kendall相关系数。
一般相关只是单独地分析两个变量之间的相关，它不会去控制其他变量的影响。回归的话如果你放入多个自变量做回归，那么你看到的某一个自变量的回归系数其实代表的是控制了其他自变量（也就是减去了其他自变量对因变量的效应）后的回归，也就是说，他并不代表该变量单独对因变量的影响。差别就在于是否控制了所关注变量外的其他变量。
一般相关只是单独地分析两个变量之间的相关，它不会去控制其他变量的影响。回归的话如果放入多个自变量做回归，那么看到的某一个自变量的回归系数其实代表的是控制了其自变量（也就是减去了其他自变量对因变量的效应）后的回归，也就是说，并不代表该变量单独对因变量的影响。差别就在于是否控制了所关注变量外的其他变量
如果回归结果中有1%或者5%的变量，其他的一些非核心的变量10%显著性水平在核心期刊里也是用的。调节变量如果变量Y与变量X的关系是变量M的函数，称M为调节变量。就是说Y与X的关系受到第三个变量M的影响。调节变量可以是定性的(如性别、种族、学校类型等)，也可以是定量的(如年龄、受教育年限、刺激次数等)，它影响因变量和自变量之间关系的方向(正或负)和强弱。中介变量( mediator) 是一个重要的统计概念，如果自变量X通过某一变量M对因变量Y产生一定影响，则称M为X和Y的中介变量。研究中介作用的目的是在已知X和Y关系的基础上，探索产生这个关系的内部作用机制。
结果显著就是回归系数显著地不等于0.所以是看P值。回归时，得到一个系数，这个系数一般是 不等 于0的。但是，系数计算出来后，会给出一个误差。你看后面误差范围，如果中间有0，比如，在到之间，这是给定的在一定概率范围内的系数可能取值范围。一般你不做修改的话，这个概率默认是95%。也就是你回归结果前面的系数有95%的概率落在这之间。如果你的回归结果数值在这个范围内比较接近于0，那么统计上可能推断比如有的可能性是0，那这个结果就不显著，即P值为就不显著。所以看的是P值，而不是系数。
不显著说明不拒绝原假设，SPSS会继续计算，但是这些结果也就没有意义。回归模型重要的基础或者方法就是回归分析，回归分析是研究一个变量（被解释变量）关于另一个（些）变量（解释变量）的具体依赖关系的计算方法和理论。
是建模和分析数据的重要工具。在这里，我们使用曲线/线来拟合这些数据点，在这种方式下，从曲线或线到数据点的距离差异最小。
比较的标准是与显著性平比较。一般显著性水平是给定的。常用的显著性水平有三种，，中最喜欢的是.在这个表中，显著性看sig那列，如果这列的值小于，就代表系数显著，按照这个标准，你的结果里面没有一个是显著地！建议先做一下相关分析
我觉得你可以再去找一些知识丰富你一下你的论文，让得出来的结果更加显著一些。
再好好分析，用别的的数据、别的方法再去研究，得出新的分析结论。可以去咨询老师，看看是哪里出的错误，能及时纠正。
找到原因，重新做实验。如果做出的结果不显著，要分析一下，找出原因，重新做实验得结果。
写的论文得出来的结果不显著，可以再改改呀，或者是找比自己学习好的人帮你看看问题出在了哪里
关键是有无多少个样本？如果就是一个处理组和一个对照组，可以进行T检验，若无显著差异则无意义！aqui te amo。
你也可以看看是不是你的实验有误，检查自己是不是哪步骤出了差错，如果还是不知道怎么弄得话，可以看看汉斯出版社官网上的文献
找到原因，重新做实验。如果做出的结果不显著，要分析一下，找出原因，重新做实验得结果。
进行科研，少不了做实验。得到实验原始数据后，要进行分析处理，来判断所得结果是否具有统计学意义上的显著相关性，是否支持研究设想，然后对数据结果进行解释，最后得出结论。 无论是期刊论文还是学位论文，在引言或前言(Introduction)中提出本研究的目的(aim/purpose)，和研究假设(hypothesis)，完成一系列的实验后，在报告方法(Materials and Methods)一节中，要进行数据分析。 通过数据分析，发现得出的结论具有相关性，从而验证了你的研究设想，实现了你的研究目的。 但也有可能实验结果的相关性不显著，得出的结果和研究设想不一致，甚至相反。你的第一反应也许是不理会那些数据，甚至想到要剔除掉它们。这是错误的做法。 一个科研人员应具备科研素质，尊重科学，严谨治学。其实相关性不显著，就是你实验的科学结论，只不过不支持你的研究设想罢了。你的实验结果证明你的设想不成立，从而否定了这一假设，这本身就是一结论。 一般情况下，如得出实验结果相关性不显著时，作者还要分析一下其原因，如样本不够大、变量不易控制、人为因素等。 下面以一篇SCI文章为例，来看看如果处理“不完美”的数据。 ❶We met with mixed success in our objectives. ❷We had believed that our results would indicate that trust was best described as a concept with two distinct dimensions. ❸Instead, we found an overall trust dimension that best characterized the data. ❹At least two plausible reasons may explain this difference, each providing rich areas for further research. ❺In part, some of the inconsistency may exist because of cross cultural variations. ❻In addition, some dissimilarity in results may exist because of methodological differences. 第一句话直接指出了部分结果与设想不一样，第二句和第三句分别阐述了原来的设想和实际得到的实验结果。第四句写出有两个原因，第五、六句具体分析了两个原因。