拟合线图的方差分析表

请查找定义和解释,了解方差分析表中的每个统计量。

自由度

总自由度 (DF) 是数据中的信息量。分析过程使用该信息估计未知的总体参数值。总 DF 由样本中的观测值数确定。项的 DF 表示该项使用的信息量。增加样本可提供有关总体的更多信息,从而增加总 DF。增加模型中的项数会使用更多信息,这会降低可用于估计参数估计值的变异性的 DF。

SS

平方和 (SS) 是调整的平方和,可度量模型的不同分量的变异。由于来源不同,Minitab 将平方和拆分成描述变异的不同分量。

SS 回归
回归平方和是拟合响应值与平均响应值的方差和。它可以量化响应数据中由模型解释的变异量。
SS 误差
误差平方和就是残差平方和。它可以量化预测变量无法解释的数据中的变异。
SS 合计
总平方和是回归平方和与误差平方和的和。它可以量化数据中的总变异。

解释

Minitab 使用调整平方和来计算项的 p 值。Minitab 还使用平方和来计算 R2 统计量。通常,您需解释 p 值和 R2 统计量,而非平方和。

MS

均方 (MS) 是调整的均方,可用于度量项或模型解释的变异量,假设所有其他项都在模型中,而且不考虑这些项的输入顺序。与调整的平方和不同,调整的均方要考虑自由度。

调整的均方误(又称 MSE 或 s2) 是拟合值周围的方差。

解释

Minitab 使用调整的均方计算项的 P 值。Minitab 还会使用调整的均方计算调整的 R2 统计量。通常情况下,您可以解释 P 值和调整的 R2 统计量(而不是调整的均方)。

F 值

F 值是用于确定模型与响应变量是否相关的检验统计量。

解释

Minitab 使用 F 值计算 P 值,使用 P 值可以做出有关模型的统计显著性的决定。P 值是一个概率,用来度量否定原假设的证据。概率越低,否定原假设的证据越充分。

足够大的 F 值表示模型显著。

如果要使用 F 值确定是否要否定原假设,请将 F 值与临界值进行比较。您可以在 Minitab 中计算临界值,也可以在大多数统计书籍的 F 分布表中查找临界值。有关使用 Minitab 计算临界值的更多信息,请转到使用逆累积分布函数 (ICDF) 并单击“使用 ICDF 计算临界值”。

P 值 – 回归

P 值是一个概率,用来度量否定原假设的证据。概率越低,否定原假设的证据越充分。

解释

要确定模型是否解释响应中的变异,请将模型的 p 值与显著性水平进行比较以评估原假设。整体回归的原假设声明模型不解释响应中的任何变异。通常,显著性水平(用 α 或 alpha 表示)为 0.05 即可。显著性水平 0.05 指示在模型不解释响应中的变异时得出模型对此进行解释的风险为 5%。
P 值 ≤ α:模型解释响应中的变异
如果 P 值小于或等于显著性水平,则可得出模型解释响应中变异的结论。
P 值 > α:证据不足,无法得出模型解释响应中变异的结论

如果 P 值大于显著性水平,则无法得出模型解释响应中变异的结论。您可能需要拟合新模型。

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