那年18岁
看看数据是否出现了错误，可以先认真的核查一遍，看看自己的计算过程是否正确，如果没有错误，那就更换下实验的数据的，把数据修改一下。 
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。
影响不大从模型中剔除一个变量意味着将其回归系数设置为零——即使根据数据，它最有可能得到的系数值并不如此。这样，一个人就偏离了最大似然解(它有理论基础)，报告了一个无意中处于次优状态的模型。剔除模型中的弱影响变量也可能是危险的，因为在实证研究中，错误地遗漏掉一个重要的混杂因素可能导致估计偏倚。这是因为回归系数通常取决于模型中的其他变量，因此，如果模型中遗漏了其他变量，它们的系数估计值就会发生改变。这个“估计中的变化"可以是正的，也可以是负的，也就是说，远离或接近于零。因此，可能在消除一个潜在的混杂因素后，另一个调整变量的系数接近于零，从“显著"变为“不显著”，从而导致在后面的步骤中剔除掉该变量。然而，尽管它通常对估计偏误有不利影响，从模型中消除影响效应非常弱的控制变量有时可以减少剩余回归系数的方差(不确定性)。Dunkler等人提出了“增强后向剔除法(augmented backward elimination)”，这是一种选择算法，如果剔除他们会导致对另一个变量的估计发生变化，则该选择算法会在回归模型中留下那些不显著的变量。因此，他们的建议扩展了纯粹基于“显著性"的变量顺序剔除法(“向后剔除"”)
