Berechnen der mittleren kleinsten Quadrate, wenn nur eine Kovariate vorhanden ist

Gehen Sie wie folgt vor, um die mittleren kleinsten Quadrate zu berechnen, wenn eine einzelne Kovariate vorhanden ist:

Öffnen Sie Lackhärte.MTW.
Wählen Sie Statistik > Varianzanalyse (ANOVA) > Allgemeines lineares Modell > Allgemeines lineares Modell anpassen aus.
Geben Sie im Feld Antworten die Spalte Härte ein.
Geben Sie im Feld Faktoren die Spalten Lack und Bediener ein.
Geben Sie im Feld Kovariaten die Spalte Temp ein.
Klicken Sie auf Optionen, und aktivieren Sie neben Mittelwerte die Option Haupteffekte.
Klicken Sie in den einzelnen Dialogfeldern auf OK.

Sie erhalten die folgenden Ergebnisse:
Allgemeines lineares Modell: Härte vs. Temp; Lack; Bediener

Methode Faktorkodierung (-1; 0; +1)

Faktorinformationen Faktor Typ Stufen Werte Lack Fest 4 Mischung 1; Mischung 2; Mischung 3; Mischung 4 Bediener Fest 3 1; 2; 3

Varianzanalyse Quelle DF Kor SS Kor MS F-Wert p-Wert Bediener 2 209,961 104,980 17,54 0,000 Lack 3 232,760 77,587 12,97 0,000 Temp 1 7,608 7,608 1,27 0,275 Fehler 17 101,731 5,984 Gesamt 23 593,766

Zusammenfassung des Modells S R-Qd R-Qd(kor) R-Qd(prog) 2,44625 82,87% 76,82% 65,65%

Koeffizienten Term Koef SE Koef t-Wert p-Wert VIF Konstante -18,4 28,3 -0,65 0,525 Bediener 1 4,106 0,834 4,92 0,000 1,93 2 -4,181 0,772 -5,42 0,000 1,66 Lack Mischung 1 1,256 0,934 1,34 0,197 1,75 Mischung 2 -5,439 0,918 -5,92 0,000 1,69 Mischung 3 0,693 0,900 0,77 0,452 1,63 Temp 1,066 0,945 1,13 0,275 1,35

Regressionsgleichung Lack Bediener Mischung 1 1 Härte = -13,0 + 1,066 Temp Mischung 1 2 Härte = -21,3 + 1,066 Temp Mischung 1 3 Härte = -17,0 + 1,066 Temp Mischung 2 1 Härte = -19,7 + 1,066 Temp Mischung 2 2 Härte = -28,0 + 1,066 Temp Mischung 2 3 Härte = -23,7 + 1,066 Temp Mischung 3 1 Härte = -13,6 + 1,066 Temp Mischung 3 2 Härte = -21,8 + 1,066 Temp Mischung 3 3 Härte = -17,6 + 1,066 Temp Mischung 4 1 Härte = -10,8 + 1,066 Temp Mischung 4 2 Härte = -19,0 + 1,066 Temp Mischung 4 3 Härte = -14,8 + 1,066 Temp

Anpassungen und Bewertung für ungewöhnliche Beobachtungen Std. Beob Härte Anpassung Resid Resid 18 6,50 10,77 -4,27 -2,04 R R Großes Residuum

Mittelwerte Angepasster SE des Term Mittelwert Mittelwerts Lack Mischung 1 14,83 1,09 Mischung 2 8,14 1,03 Mischung 3 14,27 1,02 Mischung 4 17,07 1,04 Bediener 1 17,68 1,02 2 9,397 0,958 3 13,653 0,844

Mittelwerte für Kovariaten Kovariate Datenmittelwert StdAbw Temp 29,963 0,626
Berechnen Sie nun die angepassten Werte.
1. Wählen Sie Statistik > Varianzanalyse (ANOVA) > Allgemeines lineares Modell > Prognostizieren aus.
2. Deaktivieren Sie die Option Kovariaten in Prognose einbinden.
3. Wählen Sie Spalten mit Werten eingeben aus.
4. Geben Sie in der Tabelle die Spalte Lack in Lack und die Spalte Bediener in Prüfer ein. Klicken Sie auf OK.
Berechnen Sie den Mittelwert der angepassten Werte über beide Faktoren hinweg.
1. Wählen Sie Statistik > Statistische Standardverfahren > Deskriptive Statistik speichern aus.
2. Geben Sie im Feld Variablen die Spalte PANPASS1 ein.
3. Geben Sie im Feld Nach Variablen (optional) die Spalten Lack Bediener ein. Klicken Sie auf OK.
Berechnen Sie abschließend die Mittelwerte der Mittelwerte für jeden Faktor getrennt.
1. Wählen Sie Statistik > Statistische Standardverfahren > Deskriptive Statistik speichern aus.
2. Geben Sie im Feld Variablen die Spalte MWert1 ein.
3. Geben Sie im Feld Nach Variablen (optional) die Spalte GruppVar1 ein. Klicken Sie auf OK.
  Die mittleren kleinsten Quadrate für die verschiedenen Lackmischungen befinden sich im Arbeitsblatt.
  - Mischung 1: 14,83
  - Mischung 2: 8,14
  - Mischung 3: 14,27
  - Mischung 4: 17,07
4. Wählen Sie Statistik > Statistische Standardverfahren > Deskriptive Statistik speichern aus.
5. Geben Sie im Feld Nach Variablen (optional) die Spalte GruppVar2 ein. Klicken Sie auf OK.
  Die mittleren kleinsten Quadrate für die verschiedenen Prüfer befinden sich im Arbeitsblatt.
  - Prüfer 1: 17,68
  - Prüfer 2: 9,40
  - Prüfer 3: 13,65

Berechnen der mittleren kleinsten Quadrate, wenn nur eine Kovariate vorhanden ist

Allgemeines lineares Modell: Härte vs. Temp; Lack; Bediener