请查找定义和解释指导,了解失拟表中的每个统计量。当您的数据包含仿行时,Minitab 会自动显示失拟表。仿行是多个具有相同预测变量值的观测值。如果您的数据不包含仿行,那么不可能计算执行此检验所需的纯误差。

自由度

总自由度 (DF) 是数据中的信息量。分析使用该信息估计未知总体参数值。总 DF 由样本中的观测值数确定。增加样本数量可提供有关总体的更多信息,从而增加总 DF。

每种误差源的 DF 表示项使用的信息量。失拟检验的自由度等于误差自由度减去纯误差自由度。

SS

不同的误差平方和 (SS) 可以度量因总误差、失拟误差和纯误差而产生的变异量。Minitab 用于失拟检验的 SS 等于总误差平方和减去纯误差平方和。

解释

Minitab 使用平方和计算失拟检验的 P 值。通常情况下,您可以解释 P 值而不是平方和。

MS

不同的误差均方 (MS) 可以度量因总误差、失拟误差和纯误差而产生的变异量。均方等于平方和除以其自由度。

均方误 (MSE) 是拟合值周围的方差。MSE = 最终 SSE/DFE。

解释

Minitab 使用均方计算失拟检验的 P 值。通常情况下,您可以解释 P 值而不是均方。

F

失拟项的 F 值显示在失拟检验表中。F 值是一种检验统计量,用于确定模型是否缺失当前模型中的预测变量所在的高阶项。

解释

Minitab 使用 F 值计算 P 值,使用 P 值可以做出有关项和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 值表示失拟显著。

P 值 – 失拟

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。当数据中包含仿行(具有相同 x 值的多个观测值)时,Minitab 自动执行纯误差失拟检验。仿行表示“纯误差”,因为只有随机变异才能导致观测响应值之间出现差异。

解释

要确定模型是否正确地指定响应与预测变量之间的关系,请将失拟检验的 p 值与显著性水平进行比较以评估原假设。失拟检验的原假设声明模型正确指定了响应与预测变量之间的关系。通常,显著性水平(用 alpha 或 α 表示)为 0.05 即可。显著性水平 0.05 指示在模型正确指定响应与预测变量之间的关系时得出模型未正确指定此关系的风险为 5%。
P 值 ≤ α:失拟在统计意义上显著
如果 p 值小于或等于显著性水平,则得出模型未正确指定关系的结论。要改善模型,可能需要添加项或者变换数据。
P 值 > α:失拟在统计意义上不显著

如果 p 值大于显著性水平,则检验不检测任何失拟。

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