Tableau d'analyse séquentielle de la variance pour la fonction Droite d'ajustement

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 échantillon. 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 degrés de liberté. 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.

Deux conditions doivent être remplies pour que Minitab subdivise les DL de l'erreur. D'abord, le modèle en cours doit ne pas inclure certains termes que vous pouvez ajuster avec les données. Par exemple, si vous disposez d'un prédicteur avec au moins 3 valeurs différentes, vous pouvez estimer un terme quadratique pour ce prédicteur. Si le modèle ne contient pas le terme quadratique, un terme pouvant être ajusté par les données n'est pas inclus au modèle, ce qui permet de remplir cette condition.

La seconde condition est que les données doivent contenir des répliques. Les répliques sont des observations où tous les prédicteurs ont la même valeur. Par exemple, si vous disposez de 3 observations où la pression est 5 et la température est 25, les 3 observations sont des répliques.

Si ces deux conditions sont remplies, les deux composantes des DL de l'erreur correspondant à l'inadéquation de l'ajustement et à l'erreur pure. Les DL pour l'inéquation de l'ajustement permettent de déterminer si la forme du modèle est adaptée. Le test d'inadéquation de l'ajustement utilise les degrés de liberté de l'inadéquation. Plus les DL sont nombreux pour l'erreur pure, plus le test d'inadéquation de l'ajustement est efficace.

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 séquentielle de la variance, Minitab sépare les sommes des carrés séquentielles en fonction des termes polynomiaux (c'est-à-dire linéaires, quadratiques et cubiques) du modèle.

Somme des carrés

La somme des carrés séquentielle de chaque terme polynomial est la part de la variation exclusivement expliquée par un terme, et non par les termes d'odre inférieur déjà entrés dans le modèle. Elle quantifie la variation des données de réponse expliquée par chaque terme polynomial, à mesure que vous les ajoutez, dans l'ordre, au modèle.

SomCar séq totale

La somme totale des carrés est obtenue en additionnant la somme des carrés du terme et la somme des carrés de l'erreur. Elle quantifie la variation totale dans les données.

La valeur F est une statistique de test utilisée pour déterminer si le modèle est associé à la réponse.

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.