Tabelle „Fehlende Anpassung“ für Nichtlineare Regression

Hier finden Sie Definitionen und Anleitungen zur Interpretation für alle Statistiken in der Tabelle „Fehlende Anpassung“. Minitab zeigt die Tabelle „Fehlende Anpassung“ automatisch an, wenn die Daten Replikationen enthalten. Replikationen sind mehrere Beobachtungen mit identischen Prädiktorwerten. Wenn in den Daten keine Replikationen enthalten sind, kann der für diesen Test erforderliche reine Fehler nicht berechnet werden.

DF

Die Gesamt-Freiheitsgrade (DF) entsprechen der Menge an Informationen in Ihren Daten. In der Analyse werden diese Informationen verwendet, um die Werte von unbekannten Parametern der Grundgesamtheit zu schätzen. Die Gesamt-Freiheitsgrade werden durch die Anzahl der Beobachtungen in der Stichprobe bestimmt. Wenn Sie die Stichprobe vergrößern, stehen Ihnen mehr Informationen über die Grundgesamtheit und somit auch mehr Gesamt-Freiheitsgrade zur Verfügung.

Die DF für jede Fehlerquelle geben an, wie viele Informationen von dem betreffenden Term genutzt werden. Die Freiheitsgrade für den Test auf fehlende Anpassung entsprechen den Freiheitsgraden für Fehler minus den Freiheitsgraden für reine Fehler.

SS

Die verschiedenen Summen der Quadrate (SS) für Fehler sind ein Maß dafür, welcher Anteil der Streuung auf die Gesamtfehler, auf Fehler der fehlenden Anpassung und auf reine Fehler zurückzuführen ist. Die Summe der Quadrate, die Minitab für den Test auf fehlende Anpassung verwendet, ist die Gesamtsumme der Quadrate für Fehler minus der Summe der Quadrate für reine Fehler.

Interpretation

Minitab verwendet die Summen der Quadrate, um den p-Wert für den Test auf fehlende Anpassung zu berechnen. Im Allgemeinen interpretieren Sie den p-Wert und nicht die Summen der Quadrate.

MS

Die verschiedenen Mittel der Quadrate (MS) für den Fehler sind ein Maß dafür, welcher Anteil der Streuung auf die Gesamtfehler, auf Fehler der fehlenden Anpassung und auf reine Fehler zurückzuführen ist. Die Mittel der Quadrate sind gleich der Summe der Quadrate dividiert durch ihre Freiheitsgrade.

Der mittlere quadrierte Fehle (MSE) ist die Varianz um die angepassten Werte. MSE = Endgültige SSE/DFE.

Interpretation

Minitab verwendet die Mittel der Quadrate, um den p-Wert für den Test auf fehlende Anpassung zu berechnen. Im Allgemeinen interpretieren Sie den p-Wert und nicht das Mittel der Quadrate.

F

In der Tabelle für den Test auf fehlende Anpassung wird ein F-Wert für den Term der fehlenden Anpassung angezeigt. Der F-Wert ist die Teststatistik, mit der bestimmt wird, ob im Modell Terme höherer Ordnung fehlen, einschließlich der Prädiktoren des aktuellen Modells.

Interpretation

Minitab verwendet den F-Wert zum Berechnen des p-Werts, anhand dessen Sie eine Entscheidung über die statistische Signifikanz der Terme und des Modells treffen können. Der p-Wert ist ein Wahrscheinlichkeitsmaß für die Anzeichen gegen die Annahme der Nullhypothese. Geringere Wahrscheinlichkeiten liefern stärkere Anzeichen dafür, dass die Nullhypothese nicht zutrifft.

Ein hinreichend großer F-Wert weist darauf hin, dass die fehlende Anpassung signifikant ist.

p-Wert – Fehlende Anpassung

Der p-Wert ist ein Wahrscheinlichkeitsmaß für die Anzeichen gegen die Annahme der Nullhypothese. Geringere Wahrscheinlichkeiten liefern stärkere Anzeichen dafür, dass die Nullhypothese nicht zutrifft. Minitab führt automatisch den Test auf fehlende Anpassung für reine Fehler aus, wenn die Daten Replikationen enthalten, bei denen es sich um mehrere Beobachtungen mit identischen x-Werten handelt. Replikationen stellen „reine Fehler“ dar, da Unterschiede zwischen den beobachteten Werten der Antwortvariablen nur durch zufällige Streuung verursacht werden können.

Interpretation

Um zu bestimmen, ob das Modell die Beziehung zwischen der Antwortvariablen und den Prädiktoren richtig wiedergibt, vergleichen Sie den p-Wert für den Test auf fehlende Anpassung mit dem Signifikanzniveau, um die Nullhypothese auszuwerten. Die Nullhypothese für den Test auf fehlende Anpassung besagt, dass das Modell die Beziehung zwischen der Antwortvariablen und den Prädiktoren richtig darstellt. In der Regel ist ein Signifikanzniveau (als α oder Alpha bezeichnet) von 0,05 gut geeignet. Ein Signifikanzniveau von 0,05 bedeutet ein Risiko der Schlussfolgerung, dass das Modell die Beziehung zwischen der Antwortvariablen und den Prädiktoren nicht richtig darstellt, während die Beziehung tatsächlich richtig angegeben wird, von 5 %.

p-Wert ≤ α: Die fehlende Anpassung ist statistisch signifikant: Wenn der p-Wert kleiner oder gleich dem Signifikanzniveau ist, können Sie schlussfolgern, dass das Modell die Beziehung nicht richtig widerspiegelt. Zum Verbessern des Modells müssen Sie möglicherweise Terme hinzufügen oder die Daten transformieren.
p-Wert > α: Die fehlende Anpassung ist statistisch nicht signifikant: Wenn der p-Wert größer als das Signifikanzniveau ist, wird mit dem Test keine fehlende Anpassung erkannt.