応答曲面計画の2値応答を分析の主要な結果を解釈する

標準化効果のパレート図は、主効果、二乗効果、交互作用効果について、相対的重要度と統計的有意性の両方を比較するために使用します。

Minitabでは、標準化効果が絶対値の大きなものから小さなものに向かってプロットされます。管理図上の参照ラインは、効果の有意性を示します。参照線の作成には、デフォルトで有意水準0.05が使用されます。

モデルにおける応答と各項の間の関係が統計的に有意かどうか判断するには、項の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、項の係数は0に等しく、項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、実際には関連性がない場合でも、関連性が存在すると結論付けてしまうリスクが5%であるということを示します。

p値 ≤ α：関連性は統計的に有意である

p値が有意水準以下の場合は、応答変数と項の間に統計的に有意な関連性が存在すると結論付けることができます。

p値 > α：その関連性は統計的に有意ではない

p値が有意水準より大きい場合は、応答変数と項の間に統計的に有意な関連性があると結論することはできません。項を持たないモデルを再適合したいと考えるかもしれません。

応答との間に統計的に有意な関連性がない予測変数が複数存在する場合は、一度に1つずつ項を削除することによってモデルを縮約できます。モデルからの項の削除の詳細は、モデルの縮約化を参照してください。

逸脱度R二乗

逸脱R²値が大きくなるほど、データへのモデル適合度は上がります。逸脱R²は必ず0～100%の間の値になります。

逸脱度R²はモデルに新しい項を追加すると必ず大きくなります。たとえば、最適な5項モデルのR²は必ず、最適な4項モデルと少なくとも同じ大きさになります。したがって、逸脱度R²値は同じ大きさのモデルの比較に最も便利です。

データの配置は逸脱度R²値に影響します。逸脱度R²は通常、行ごとに試行が1回の場合のデータより複数の試行の場合のデータの方が高くなります。逸脱度R²値は同じデータフォーマットのモデル間でのみ比較可能です。

適合度統計量は、データに対するモデルの適合度を測る1つの測度に過ぎません。モデルの値が望ましい場合でも残差プロットと適合度検定を確認してデータに対するモデルの適合度を評価する必要があります。

逸脱度R二乗（調整済み）

異なる数の項を持つモデルを比較する場合は、調整済み逸脱度R²を使用します。逸脱度R²はモデルに項を追加すると必ず大きくなります。調整済み逸脱度R²値にはモデルに含まれる項の数が組み入れられるため、正しいモデルの選択に役立ちます。

AIC、AICc、BIC

異なるモデルを比較する際はAIC、AICc、BICを使用します。いずれの統計量でも、小さい値が好ましいと考えられます。ただし、予測変数セットに対して最小値を持つモデルは必ずしもデータに良好に適合しません。適合度検定と残差プロットも使用して、データに対するモデルの適合度を評価してください。

逸脱度が統計的に有意な場合、別のリンク関数を実行、あるいはモデル内の項を変更できます。