回归模型的显著性是指自变量对因变量的解释程度，即自变量的变化能否引起因变量的变化。回归模型的显著性与以下几个因素有关：
1.样本量：样本量越大，回归模型的显著性越有可能得到提高。因为较大的样本量可以提供更多的信息，有助于更准确地估计回归系数和误差项。
2.自变量与因变量之间的关系：如果自变量与因变量之间存在较强的关系，那么回归模型的显著性就会较高。反之，如果自变量与因变量之间关系较弱或不存在关系，那么回归模型的显著性就会较低。
3.自变量之间的相关性：如果自变量之间存在较高的相关性，那么回归模型的显著性就会受到影响。这是因为高度相关的自变量之间可能存在多重共线性问题，导致回归系数的估计不稳定。
4.异方差性：如果数据中存在异方差性，即误差项的方差随着自变量的变化而变化，那么回归模型的显著性就会受到影响。异方差性会导致普通最小二乘法（OLS）估计量的偏误，从而影响回归模型的显著性。
5.遗漏变量：如果回归模型中遗漏了某些重要的解释变量，那么回归模型的显著性就会受到影响。遗漏变量会导致回归系数的估计偏误，从而影响回归模型的显著性。
6.测量误差：如果自变量或因变量的测量存在误差，那么回归模型的显著性就会受到影响。测量误差会导致回归系数的估计偏误，从而影响回归模型的显著性。
总之，回归模型的显著性受到多种因素的影响，包括样本量、自变量与因变量之间的关系、自变量之间的相关性、异方差性、遗漏变量和测量误差等。在实际应用中，需要对这些因素进行充分的考虑和处理，以提高回归模型的显著性和准确性。