线性回归是一种常用的数据分析方法，可以用来探究自变量与因变量之间的关系。其中，系数b代表自变量对因变量的影响程度，而p则代表这个影响是否显著。下面将介绍如何求出线性回归中的系数b和p值。

首先，我们需要收集自变量和因变量的数据，并将它们放入一个数据集中。然后，我们可以使用最小二乘法来计算出b值。最小二乘法是一种常用的线性回归拟合方法，它通过最小化残差平方和来确定最佳的拟合直线。残差是实际观测值与回归直线预测值之间的差异，残差平方和则是所有残差平方之和。

计算出b值之后，我们可以使用t检验来判断自变量对因变量的影响是否显著。t检验是一种常用的假设检验方法，它可以通过计算t值来判断样本平均值是否显著不同于总体平均值。在线性回归中，我们可以使用t检验来计算出p值。p值代表着检验结果的显著性，一般取0.05作为显著性水平。

在计算p值之前，我们需要先计算出标准误差。标准误差是用来衡量样本平均值与总体平均值之间的差异。在线性回归中，标准误差可以用下面的公式来计算：

SE = √(MSE/SSx)

其中，MSE代表平均残差平方，SSx代表自变量的总平方和。

计算出标准误差之后，我们可以使用下面的公式来计算t值：

t = b/SE

最后，我们可以使用t值和自由度来查找t分布表，进而计算出p值。自由度是样本数量减去自变量个数减去1。比如，如果样本数量为100，自变量个数为2，则自由度为97。

通过上述步骤，我们可以求出线性回归中的系数b和p值。这些指标可以帮助我们了解自变量和因变量之间的关系，并进行统计学分析和预测。