Le nombre total de degrés de liberté (DL) représente la quantité d'informations dans vos données. L'analyse utilise ces informations pour estimer les valeurs des paramètres de population inconnus. Le nombre total de DL est déterminé par le nombre d'observations dans votre expérience. Les DL d'un terme affichent la quantité d'informations utilisée par ce terme. Le fait d'accroître l'effectif de l'échantillon permet d'obtenir davantage d'informations sur la population, ce qui augmente le nombre total de DL. Le fait d'augmenter le nombre de termes dans votre modèle utilise plus d'informations, ce qui réduit le nombre de DL disponibles pour l'estimation de la variabilité des estimations de paramètres.
Les sommes des carrés séquentielles sont des mesures de la variation des différentes composantes du modèle. Contrairement aux sommes des carrés ajustées, les sommes des carrés séquentielles dépendent de l'ordre dans lequel les termes sont entrés dans le modèle. Dans le tableau d'analyse de la variance, Minitab répertorie les sommes des carrés séquentielles pour les effets principaux, les interactions et le terme d'erreur.
Minitab n'utilise pas les sommes des carrés séquentielles pour calculer les valeurs de p lorsque vous analysez un plan, mais peut utiliser les sommes des carrés séquentielles lorsque vous utilisez la fonction Ajuster le modèle de régression ou Ajuster le modèle linéaire général. En général, vous interprétez les valeurs de p et la statistique R2 en fonction de la somme des carrés ajustée.
Les sommes des carrés ajustées sont des mesures de la variation des différentes composantes du modèle. L'ordre des prédicteurs dans le modèle n'a aucun effet sur le calcul de la somme des carrés ajustée. Dans le tableau d'analyse de la variance, Minitab divise les sommes des carrés en différentes composantes qui décrivent la variation due à différentes sources.
Minitab utilise la somme des carrés ajustée pour calculer la valeur de p pour un terme. Minitab utilise aussi les sommes des carrés pour calculer la statistique R2. En général, vous interprétez les valeurs de p et la statistique R2 plutôt que les sommes des carrés.
Les carrés moyens ajustés mesurent la proportion de variation expliquée par un terme ou un modèle, en supposant que tous les autres termes sont dans le modèle, quel que soit l'ordre dans lequel ils ont été saisis. Contrairement aux sommes des carrés ajustées, les carrés moyens ajustés tiennent compte des degrés de liberté.
Le carré moyen ajusté de l'erreur (également noté CME ou s2) est la variance autour des valeurs ajustées.
Minitab utilise les carrés moyens ajustés pour calculer la valeur de p pour un terme. Minitab les utilise également pour calculer la statistique R2 ajusté. En général, vous interprétez les valeurs de p et la statistique R2 ajusté plutôt que les carrés moyens ajustés.
Le tableau d'analyse de la variance répertorie une valeur F pour chaque terme. La valeur F est une statistique de test utilisée pour déterminer si le terme est associé à la réponse.
Minitab utilise la valeur F pour calculer la valeur de p, qui vous permet de déterminer si des termes sont significatifs d'un point de vue statistique. La valeur de p est la probabilité qui mesure le degré de certitude avec lequel il est possible d'invalider l'hypothèse nulle. Des probabilités faibles permettent d'invalider l'hypothèse nulle avec plus de certitude.
Une valeur F suffisamment élevée indique que le terme ou le modèle est significatif.
Si vous souhaitez utiliser la valeur F pour savoir si l'hypothèse nulle doit être rejetée, comparez-la à votre valeur critique. Vous pouvez calculer la valeur critique dans Minitab ou rechercher la valeur critique dans un tableau de loi F, disponible dans la plupart des livres de statistiques. Pour plus d'informations sur la façon d'utiliser Minitab pour calculer la valeur critique, accédez à la rubrique Utilisation de la fonction de répartition (CDF) inverse et cliquez sur "Utiliser la CDF inverse pour calculer des valeurs critiques".
La valeur de p est la probabilité qui mesure le degré de certitude avec lequel il est possible d'invalider l'hypothèse nulle. Des probabilités faibles permettent d'invalider l'hypothèse nulle avec plus de certitude.
Pour déterminer si l'association entre la réponse et chacun des termes du modèle est statistiquement significative, comparez la valeur de p du terme à votre seuil de signification pour évaluer l'hypothèse nulle. L'hypothèse nulle est qu'il n'existe aucune association entre le terme et la réponse.