総自由度は、データに含まれる情報量のことです。この情報から、未知の母集団のパラメータの値を分析し推定します。総自由度は、サンプルに含まれる観測値の数によって決定されます。項の自由度は、その項が使う情報量を示します。サンプルサイズを大きくすると、母集団に関して提供される情報が増え、総自由度が高くなります。モデルに含める項の数を増やすと情報量が増え、パラメータ推定値の変動性を推定するのに使える自由度が低くなります。
2つの条件が一致すると、Minitabは誤差の自由度を分割します。1つ目の条件は、現在のモデルには含まれていない、データと適合できる項があることです。たとえば、3つ以上の異なる値を持つ連続予測変数がある場合、その予測変数に対して2次項を推定できます。モデルが2次項を含まない場合、データと適合できる項はモデルに含まれていないので、この条件は満たされていることになります。
2つ目の条件は、データに反復が含まれていることです。反復とは、各予測変数の値が同じ観測値のことを言います。たとえば、圧力5、温度25の観測値が3つある場合、それら３つの観測値は反復となります。
2つの条件が一致すると、誤差の自由度の2つの部分は不適合かつ純誤差となります。不適合の自由度は、モデル形式が適切かどうかの検定を可能にします。不適合検定では、不適合に対する自由度が使用されます。純粋誤差の自由度が大きいほど、不適合検定の検定力は高くなります。
調整平方和は、モデル内の異なる部分の変動の測度です。モデル内の予測変数の次数は、調整平方和の計算に影響を及ぼしません。分散分析表では、調整平方和は、異なる要因による変動を説明する成分に分けられます。
Minitabは調整平方和を使用して分散分析表のp値を計算します。また、平方和を使用してR2の統計量も計算します。通常は、平方和ではなく、p値とR2統計量を解釈します。
調整平均平方は、項やモデルによってどれだけの変動を説明できるかを測定するものです。このとき、その他のすべての項は、入力された順序にかかわらずモデル内に含まれると仮定します。調整平方和と異なり、調整平均平方では、自由度が考慮されます。
調整平均平方誤差（MSEまたはs2）は適合値からの分散です。
Minitabは調整平均平方を使用して分散分析表のp値を計算します。また、調整平均平方を使用して調整済みR2の統計量も計算します。通常は、調整平均平方ではなく、p値と調整済みR2の統計量を解釈します。
逐次平方和は、モデル内の異なる部品の変動の測度です。調整平方和と異なり、逐次平方和は項がモデルに追加された順序に依存します。
計画分析時にp値を計算するためには逐次平方和は使用しませんが、回帰モデルの適合または一般線形モデルの適合を使用するときに逐次平方和を使用できます。通常、調整平方和を基に、p値とR2統計量を解釈します。
寄与度は、分散分析表の各要因が合計逐次平方和（Seq SS）に寄与する割合を示しています。
割合が高いほど、要因がより応答の変動の原因になっていることを示しています。
F値は分散分析表の各検定に表示されます。
F値を使用してMinitabで計算されるp値に基づいて、検定の統計的有意性に関する決定を下すことができます。p値は帰無仮説を棄却するための証拠を測定する確率です。確率が低いほど、帰無仮説を棄却する強力な証拠となります。F値が十分に大きい場合、統計的有意性を示します。
F値から帰無仮説を棄却するかどうかを判断するには、F値を棄却限界値と比較します。Minitabで棄却限界値を計算することも、ほとんどの統計に関する書籍に掲載されているF分布表で棄却値を見つけることもできます。Minitabを使用した棄却値の計算に関する詳細は、逆累積分布関数（ICDF）の使用に進み、「ICDFを使用して棄却値を計算」をクリックします。
p値は帰無仮説を棄却するための証拠を測定する確率です。確率が低いほど、帰無仮説を棄却する強力な証拠となります。
モデルによって応答の変動を説明できるかどうかを判断するには、モデルのp値と有意水準を比較して帰無仮説を評価します。モデルの帰無仮説は、モデルでは応答の変動は説明できないという仮定です。通常は、有意水準（αまたはアルファとも呼ばれる）として0.05が適切です。0.05の有意水準は、実際にはモデルによって応答の変動は説明できないにも関わらず、説明できると結論付ける可能性が5%であることを示しています。
p値は帰無仮説を棄却するための証拠を測定する確率です。確率が低いほど、帰無仮説を棄却する強力な証拠となります。
実験計画において、共変量は測定可能であるが制御が困難な変数を説明します。たとえば、病院ネットワークの品質チームは、膝関節置換手術で入院した患者の入院日数を研究する実験を計画します。この実験では、チームは術前指示のフォーマットなどの因子はコントロール可能です。偏りを避けるため、チームはコントロールできない共変量、たとえば患者の年齢などにデータを記録します。
応答と共変量の間の関係が統計的に有意かどうか判断するには、共変量のp値と有意水準を比較して帰無仮説を評価します。この帰無仮説は、共変量の係数は0に等しく、共変量と応答に関連性がないという仮定です。
通常は、有意水準（αまたはアルファとも呼ばれる）として0.05が適切です。0.05の有意水準は、線形の共変量の係数は0であるにも関わらず、0ではないと結論付けるリスクが5%であることを示しています。
共変量は、モデルの多重共線性を増加させることができます。分散拡大要因（VIF）は多重共線性の測度です。共変量を持つモデルに対する項の統計的な有意性を評価する場合、分散拡大要因（VIF）を検討してください。詳細については決定的スクリーニング計画の分析の係数表を参照し、VIFをクリックします。
p値は帰無仮説を棄却するための証拠を測定する確率です。確率が低いほど、帰無仮説を棄却する強力な証拠となります。
ブロックは、異なる条件下で実験が実行された場合に起こりうる差を説明します。たとえば、ある技師が溶接を分析する実験を計画し、すべてのデータを一日では収集できないとします。溶接の質は、相対湿度などの技師では制御できない、日々変わる複数の不確定要素に影響されます。これらの制御できない変数を説明するため、各日で行われた実験を個別のブロックにグループ化します。ブロックは、制御できない変数の効果とエンジニアが分析したい因子の効果が混同されないよう、制御できない変数からの変動性を説明します。Minitabで実行をブロックに割り当てる方法についての詳細は、ブロックとはを参照してください。
実行間で異なる条件により応答が変化するかを判断するには、ブロックのp値と有意水準を比較して帰無仮説を評価します。この帰無仮説は、異なる条件によって応答は変化しないという仮定です。
通常は、有意水準（αまたはアルファとも呼ばれる）として0.05が適切です。0.05の有意水準は、実際には実行における異なる条件は応答に影響しないにもかかわらず、影響すると結論付ける可能性が5%であることを示しています。
p値は帰無仮説を棄却するための証拠を測定する確率です。確率が低いほど、帰無仮説を棄却する強力な証拠となります。
項のグループが統計的に有意な場合、グループ内の少なくとも1つの項が応答に対して影響力を持つと結論付けることができます。モデルに残す項を統計的有意性によって決定する場合、通常は一度に項のグループ全体を取り除くことはしません。個々の項の統計的有意性は、モデルに含まれる項によって変わることがあるためです。
このモデルにおいては、2元交互作用のグループの検定は水準0.05において統計的に有意ではありません。また、すべての個別の2元交互作用の検定も統計的に有意ではありません。
最大のp値の2元交互作用から初めて、モデルから項を1つずつ除外して縮約する場合、最後の2元交互作用は水準0.05において統計的に有意です。
p値は帰無仮説を棄却するための証拠を測定する確率です。確率が低いほど、帰無仮説を棄却する強力な証拠となります。
p値が有意水準より大きい場合は、検定で何の不適合も検出されません。