稳定性研究的方差分析表

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。在分析中使用该信息来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 指示项使用的信息量。增加样本数量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变异性的 DF。

对于具有固定因子的稳定性研究,方差分析表包括以下自由度:时间、批次、时间*批次。

Seq SS

连续平方和是针对模型的不同分量变异的度量。与调整平方和不同,连续平方和取决于项输入到模型的顺序。在方差分析表中,Minitab 会将连续平方和分成不同的分量,这些分量描述了不同来源导致的变异。

连续 SS 项
项的连续平方和是由项(该项不由以前输入的项解释)解释的变异的特定部分。它是由连续添加到模型中的每个项解释的响应数据变异量的量化表现。
连续 SS 误差
误差平方和即残差平方和。它是数据中预测变量未解释的变异的量化表现。
Seq SS 合计
总平方和是项平方和与误差平方和的总和。它可以量化数据中的总变异量。

解释

Minitab 使用连续平方和来计算项的 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。

Seq MS

序贯均方可度量由项或模型解释的变异量。序贯均方取决于项输入到模型中的顺序。与连续平方和不同,序贯均方要考虑自由度。

序贯均方误(也称为 MSE 或 s2)是围绕拟合值的方差。

解释

Minitab 使用序贯均方计算项的 p 值。Minitab 还使用序贯均方计算调整的 R2 统计量。通常,您需解释 p 值和调整的 R2 统计量,而非序贯均方。

F 值

在方差分析表中,将显示每个项的 F 值。F 值是用于确定项是否与响应相关的检验统计量。

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 值表明项或模型十分显著。

如果要使用 F 值来确定是否要否定原假设,请将 F 值与临界值进行比较。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 – 固定因子模型选择

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

要确定响应与模型中每个项之间的关联在统计意义上是否显著,请将该项的 P 值与显著性水平进行比较以评估原假设。原假设声明该项与响应之间不存在任何关联。对于稳定性研究,以下是每个项特定的原假设:
  • 时间:产品不会随时间降级。
  • 批次:所有批次在开始降级之前的均值响应都相同。
  • “时间*批次”交互作用:所有批次都以相同的速率降级。
对于稳定性研究,Minitab 会删除其 P 值小于显著性水平的项。默认显著性水平为 0.25。显著性水平 0.25 指示在实际上不存在关联时得出存在关联的风险为 25%。
P 值 ≤ α:关联在统计意义上显著
如果 P 值小于或等于显著性水平,则可以断定响应变量与项之间的关联在统计意义上显著。Minitab 会将该项保留在模型中。
P 值 > α:关联在统计意义上不显著
如果 P 值大于显著性水平,则无法断定响应变量与项之间的关联在统计意义上显著。Minitab 会从模型中删除该项。

P 值 – 随机因子模型选择

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

要确定一个模型对数据的拟合效果是否比另一个模型好,请将该模型的 P 值与显著性水平进行比较以评估原假设。原假设为较大模型的其他系数等于零。备择假设为较大模型的其他系数不等于零。对于稳定性研究,默认的显著性水平为 0.25。显著性水平 0.25 指示在一个模型对数据的拟合效果较好时模型相同的风险为 25%。
P 值 ≤ α:关联在统计意义上显著
如果 P 值小于或等于显著性水平,则可以断定模型之间在统计上存在显著差异。Minitab 会保留较复杂的模型,以便进行更多分析。
P 值 > α:关联在统计意义上不显著
如果 P 值大于显著性水平,则无法断定模型之间在统计上存在显著差异。Minitab 会保留较简单的模型,以便进行更多分析。
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