对一元回归模型，检验回归系数是否显著的方法主要有以下步骤：
1.进行假设检验。假设自变量与因变量之间存在线性关系，然后检验回归系数是否显著。
2.计算t统计量。将每个自变量与因变量的对应数据相减，得到残差。然后计算残差的平均值和标准差。最后，用每个自变量的回归系数除以标准差，得到t统计量。
3.判断回归系数是否显著。如果t统计量的绝对值大于临界值（通常为2或3），则说明回归系数是显著的，即自变量与因变量之间存在线性关系。否则，说明回归系数不显著，即自变量与因变量之间不存在线性关系。
4.进行F检验。计算F统计量，将回归系数的平方除以误差项的方差，得到F统计量。如果F统计量的值大于临界值（通常为2或3），则说明回归模型是显著的，即自变量与因变量之间存在线性关系。否则，说明回归模型不显著。
5.进行DW检验。DW检验是用来检验残差序列的相关性的。如果DW值在2的附近，说明残差序列不相关，回归模型是合适的。否则，说明残差序列相关，回归模型存在错误。
以上就是对一元回归模型检验回归系数是否显著的主要步骤和方法。需要注意的是，在进行回归分析时，还需要考虑其他因素对回归结果的影响，如样本量、多重共线性等。
一元回归分析模型是统计学中最常用的模型之一，它用来研究两个变量之间的关系，它可以帮助我们更好地理解一个变量对另一个变量的影响。一元回归分析包括两个变量，因变量(y)和自变量(x)，其中，因变量的变化受自变量影响，因此，一元回归分析模型可以用来研究因变量如何受自变量影响。
一个完整的回归分析模型包括一个截距(b0)和一个参数(b1)，这两个参数往往被称为“系数”。系数b0表示当自变量x为0时，因变量y的值，系数b1表示当自变量x变化了多少时，因变量y会变化多少。一旦定义了模型，下一步就是用样本数据来估计系数b0和b1的值。