偏最小二乘回归的方差分析表

在方差分析表中查找每个统计量的定义和解释指导。

DF

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。

回归的 DF 表示分量使用的信息量。增加分量数量会使用更多信息,这会降低残差误差的 DF。残差误差的 DF 表示可用于估计参数估计值的变异性的信息量。

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