分析明确筛选设计的效应图

Pareto 图

Pareto 图显示从最大效应到最小效应的标准化效应的绝对值。标准化效应是用于检验原假设(假设效应为 0)的 t 统计量。此图表还绘制参考线以指示哪些效应在统计意义上显著。

统计显著性的参考线取决于显著性水平(用 α 或 alpha 表示)。除非您使用逐步选择法,否则显著性水平为“1 - 用于分析的置信水平”。有关如何更改置信水平的详细信息,请转到为分析明确筛选设计指定选项。如果您使用向后选择或逐步选择法,则显著性水平为:Minitab 从模型中删除一个称为删除用 Alpha 的项。如果使用向前选择,则显著性水平为:Minitab 向模型添加一个称为入选用 Alpha 的项。

解释

使用 Pareto 图可确定效应的量值和重要性。在 Pareto 图中,跨参考线的条形在统计意义上显著。

例如,在该 Pareto 图中,用于表示因子 A、B 和 C 的条形跨越参考线。这些因子在当前模型项的 0.05 水平上具有统计显著性。

由于 Pareto 图将显示效应的绝对值,因此您可以确定哪些效应很大,但无法确定哪些效应会增大或减小响应。可使用标准化效应的正态概率图检查一个图上各效应的量值和方向。

在第一个 Pareto 图中,所有的条形都是蓝色的,因为所有的项都在模型中。您可以选择不在模型中的项。有关更多信息,请转到选择要针对分析明确筛选设计显示的图形。不在模型中的项为灰色。

例如,在该 Pareto 图中,蓝色条形表示模型中的项。分析人员包括了在 0.05 水平下显著的项(A、D、CE 和 GG)。分析人员还包括了使模型分层的项(C、G 和 E)。

效应的正态图

效应的正态概率图显示相对于所有效应为 0 的情形的分布拟合线的标准化效应。标准化效应是用于检验原假设(假设效应为 0)的 t 统计量。当因子设置的值从低变高时,正效应会增加响应。当因子设置的值从低变高时,负效应会降低响应。在 X 轴上,离 0 越远的效应的量值越大。离 0 越远的效应在统计意义上越显著。

统计显著性的参考值取决于显著性水平(用 α 或 alpha 表示)。除非您使用逐步选择法,否则显著性水平为“1 - 用于分析的置信水平”。有关如何更改置信水平的详细信息,请转到为分析明确筛选设计指定选项。如果您使用向后选择或逐步选择法,则显著性水平为:Minitab 从模型中删除一个称为删除用 Alpha 的项。如果使用向前选择,则显著性水平为:Minitab 向模型添加一个称为入选用 Alpha 的项。

解释

使用效应的半正态概率图可确定效应的量值、方向和重要性。在效应的正态概率图上,离 0 较远的效应在统计意义上显著。在统计意义上显著和不显著的点的颜色和形状不同。

例如,在该图上,主效应 A 和 D 在 0.05 水平上具有统计显著性。CE 交互作用和 GG 二次项在统计意义上也显著。这些点与效应不显著的点具有不同的颜色和形状。

此外,该图还表明效应的方向。培训 (A) 具有正标准化效应。当此因子的水平从低变高时,响应会增大。安静 (D) 具有负标准化效应。当“安静”增加时,响应会减小。

因为效应的正态概率图在图左侧显示负效应,在图右侧显示正效应,因此,相比于那些显示标准化效应绝对值的图而言,更难以执行关于哪些效应会最大程度地更改效应的比较。半正态图和 Pareto 图显示标准化效应的绝对值。

效应的半正态图

效应的半正态概率图显示标准化效应的绝对值。标准化效应是用于检验原假设(假设效应为 0)的 t 统计量。对于所有效应均为 0 的情形,点相对于分布拟合线显示。在 X 轴上,离 0 越远的效应的量值越大。离 0 越远的效应在统计意义上越显著。

统计显著性的参考值取决于显著性水平(用 α 或 alpha 表示)。除非您使用逐步选择法,否则显著性水平为“1 - 用于分析的置信水平”。有关如何更改置信水平的详细信息,请转到为分析明确筛选设计指定选项。如果您使用向后选择或逐步选择法,则显著性水平为:Minitab 从模型中删除一个称为删除用 Alpha 的项。如果使用向前选择,则显著性水平为:Minitab 向模型添加一个称为入选用 Alpha 的项。

解释

使用效应的半正态概率图可确定效应的量值和重要性。在效应的半正态概率图上,离 0 越远的效应在统计意义上越显著。在统计意义上显著和不显著的点的颜色和形状不同。

例如,在该图上,主效应 A 和 D 在 0.05 水平上具有统计显著性。CE 交互作用和 GG 二次项在统计意义上也显著。这些点与效应不显著的点具有不同的颜色和形状。

由于效应的半正态概率图将显示效应的绝对值,因此您可以确定哪些效应很大,但无法确定哪些效应会增大或减小响应。可使用标准化效应的正态概率图查看一个图上各效应的量值和方向。

使用此网站,即表示您同意对数据分析和个性化内容使用 Cookie。  请阅读我们的政策