在回归分析中确定随机误差项假设是否成立的方法介绍如下：
1.假设随机误差项具有零均值假设，即其方差为0。可以使用t检验或方差分析等方法来检验该假设。其中，t检验适用于数据分布近似于正态分布的情况，而方差分析适用于数据分布近似于正态分布和数据集中存在显著性差异的情况。
2.假设随机误差项具有同方差假设，即其方差相等，可以通过t检验或方差分析等方法来检验该假设。
3.假设随机误差项无自相关，可以使用卡方检验来检验该假设。
4.假设随机误差项与解释变量X之间不相关，可以使用相关性检验来检验该假设。
5.假设随机误差项服从正态分布，可以使用正态分布分布表来检验该假设。
需要注意的是，以上方法仅适用于数据符合上述假设的情况。如果数据不符合上述假设，则可能需要采用其他方法来检验随机误差项。同时，检验方法的选择需要根据数据的类型、分布情况和显著性要求等因素进行调整。
要检验模型中的随机误差项是否显著，可以采用统计方法中的显著性检验。常用的显著性检验方法包括t检验和方差分析。
t检验适用于数据分布近似于正态分布的情况，其原理是计算样本平均值与模型预测值之间的差异，并使用t值表来评估差异的大小。t值越小，差异越小，表明随机误差项对模型预测值的影响越小。
方差分析适用于数据分布近似于正态分布或非正态分布的情况，其原理是计算样本方差与模型预测值之间的差异，并使用方差分析表来评估差异的大小。方差越小差异越小，表明随机误差项对模型预测值的影响越小。
在检验过程中，需要假设模型是基于随机误差项建立的，并且需要将随机误差项作为因变量来检验模型预测值与实际值之间的差异。如果随机误差项的显著性被检验出来，则说明模型预测值与实际值之间的差异显著可以进一步评估模型的准确性和可靠性。
在实际应用中，需要根据具体的数据情况和模型设计选择合适的统计方法来检验随机误差项的显著性。同时，需要注意避免过度检验和抽样误差等问题，以保证结果的准确性和可靠性。