안정성 연구에 대한 분산 분석표

분산 분석표의 모든 통계량에 대한 정의 및 해석을 확인해 보십시오.

DF

총 자유도(DF)는 데이터 내 정보의 양입니다. 분석에서는 해당 정보를 사용하여 알 수 없는 모집단 모수의 값을 추정합니다. 총 DF는 표본의 관측치 수로 결정됩니다. 항에 대한 DF는 해당 항에서 사용하는 정보의 양을 보여줍니다. 표본 크기를 증가시키면 모집단에 대한 더 많은 정보가 제공되므로, 총 DF가 증가합니다. 모형의 항 수를 증가시키면 더 많은 정보를 사용하므로, 모수 추정치의 변동성을 추정하기 위해 사용할 수 있는 DF가 감소합니다.

고정 요인을 사용한 안전성 연구의 경우 분산 분석표에는 시간, 배치, 시간*배치와 같은 자유도가 포함됩니다.

Seq SS

순차 제곱합은 모형의 여러 성분에 대한 변동성의 측도입니다. 수정 제곱합과 달리 순차 제곱합은 모형에 항을 입력한 순서에 따라 다릅니다. 분산 분석표에서 Minitab은 순차 제곱합을 여러 요인으로 인한 변동을 설명하는 여러 성분으로 나눕니다.

Seq SS 항
항에 대한 순차 제곱합은 이전에 입력한 항이 설명하지 않는 항으로 설명하는 변동의 고유한 부분입니다. 이 값은 각 항이 순차적으로 모형에 추가됨에 따라 각 항이 설명하는 반응 데이터의 변동량을 나타냅니다.
Seq SS 오차
오차 제곱합은 잔차 제곱의 합입니다. 이 값은 예측 변수가 설명하지 않는 데이터의 변동량을 나타냅니다.
총 순차 제곱합
총 제곱합은 항 제곱합과 오차 제곱합의 합입니다. 총 제곱합은 데이터의 총 변동을 수량화합니다.

해석

Minitab에서는 항에 대한 p-값을 계산하기 위해 순차 제곱합을 사용합니다. Minitab에서는 또한 R2 통계량을 계산하기 위해 제곱합을 사용합니다. 일반적으로 제곱합 대신 p-값과 R2 통계량을 해석합니다.

Seq MS

순차 평균 제곱은 항 또는 모형이 설명하는 변동량을 측정합니다. 순차 평균 제곱은 모형에 항을 입력한 순서에 따라 다릅니다. 순차 제곱합과 달리 순차 평균 제곱에서는 자유도를 고려합니다.

순차 평균 제곱 오차(MSE 또는 s2이라고도 함)는 적합치 주변의 분산입니다.

해석

Minitab에서는 항에 대한 p-값을 계산하기 위해 순차 평균 제곱을 사용합니다. Minitab에서는 또한 수정 R2 통계량을 계산하기 위해 순차 평균 제곱을 사용합니다. 일반적으로 순차 평균 제곱 대신 p-값과 수정 R2 통계량을 해석합니다.

F-값

분산 분석표에 각 항에 대한 F-값이 표시됩니다. F-값은 항이 반응과 연관되어 있는지 여부를 확인하기 위해 사용되는 검정 통계량입니다.

해석

Minitab에서는 F-값을 사용하여 항과 모형의 통계적 유의성에 대한 결정을 내릴 때 사용하는 p-값을 계산합니다. p-값은 귀무 가설에 반하는 증거를 측정하는 확률입니다. p-값이 작을수록 귀무 가설에 반하는 더 강력한 증거가 됩니다.

F-값이 충분히 크면 항이나 모형이 유의하다는 것을 나타냅니다.

F-값을 사용하여 귀무 가설의 기각 여부를 확인하려면 F-값을 임계값과 비교하십시오. Minitab에서 임계값을 계산하거나 대부분의 통계 서적에 있는 F-분포 표에서 임계값을 찾을 수 있습니다. Minitab을 사용한 임계값 계산에 대한 자세한 내용을 보려면 역 누적분포함수(ICDF) 사용에서 "ICDF를 사용하여 임계값 계산"을 클릭하십시오.

p-값 – 고정 요인 모형 선택

p-값은 귀무 가설에 반하는 증거를 측정하는 확률입니다. p-값이 작을수록 귀무 가설에 반하는 더 강력한 증거가 됩니다.

해석

모형의 각 항 및 반응 간의 연관성이 통계적으로 유의한지 여부를 확인하려면 항에 대한 p-값을 유의 수준과 비교하여 귀무 가설을 평가합니다. 귀무 가설은 항과 반응 간에 연관성이 존재하지 않는다는 것입니다. 안정성 연구의 각 항에 대한 귀무 가설은 다음과 같습니다.
  • 시간: 시간이 지남에 따라 제품의 품질이 떨어지지 않습니다.
  • 배치: 품질이 떨어지기 전에 모든 배치의 평균 반응이 같습니다.
  • 시간*배치 교호작용: 모든 배치의 품질이 같은 속도로 떨어집니다.
안정성 연구의 경우, Minitab에서는 p-값이 유의 수준보다 작지 않은 모든 항을 제거합니다. 기본 유의 수준은 0.25입니다. 0.25의 유의 수준은 실제로 연관성이 없는데 연관성이 존재한다는 결론을 내릴 위험이 25%라는 것을 나타냅니다.
P-값 ≤ α: 연관성이 통계적으로 유의합니다.
p-값이 유의 수준보다 작거나 같으면 반응 변수와 항 간에 통계적으로 유의한 연관성이 있다는 결론을 내릴 수 있습니다. Minitab은 항을 모형에 유지합니다.
p-값 > α: 연관성이 통계적으로 유의하지 않습니다.
p-값이 유의 수준보다 크면 반응 변수와 항 간에 통계적으로 유의한 연관성이 있다는 결론을 내릴 수 없습니다. Minitab은 항을 모형에서 제거합니다.

p-값 – 변량 요인 모형 선택

p-값은 귀무 가설에 반하는 증거를 측정하는 확률입니다. p-값이 작을수록 귀무 가설에 반하는 더 강력한 증거가 됩니다.

해석

한 모형이 다른 모형보다 데이터를 잘 적합하는지 여부를 확인하려면 모형에 대한 p-값을 유의 수준과 비교하여 귀무 가설을 평가합니다. 귀무 가설은 더 큰 모형의 추가 계수가 0이라는 것입니다. 대립 가설은 더 큰 모형의 추가 계수가 0이 아니라는 것입니다. 안정성 연구의 경우 기본 유의 수준은 0.25입니다. 0.25의 유의 수준은 한 모형이 데이터를 더 잘 적합하는데 모형이 동일하다는 결론을 내릴 위험이 25%라는 것을 나타냅니다.
p-값 ≤ α: 연관성이 통계적으로 유의합니다.
p-값이 유의 수준보다 작거나 같으면 모형 간의 차이가 통계적으로 유의하다는 결론을 내릴 수 있습니다. Minitab에서는 더 복잡한 모형을 추가 분석을 위해 유지합니다.
p-값 > α: 연관성이 통계적으로 유의하지 않습니다.
p-값이 유의 수준보다 크면 모형 간의 차이가 통계적으로 유의하다는 결론을 내릴 수 없습니다. Minitab에서는 더 간단한 모형을 추가 분석을 위해 유지합니다.
이 사이트를 사용하면 분석 및 사용자 개인 컨텐츠에 대한 쿠키 사용에 동의하는 것입니다.  당사의 개인정보 보호정책을 확인하십시오