拟合一般线性模型示例

一位电子设计工程师研究工作温度和三种面板玻璃类型对示波器管的光输出的效应。

为了研究温度、玻璃类型以及这两种因子之间的交互作用的效应,工程师使用了一般线性模型。

  1. 打开样本数据,光输出.MTW
  2. 选择统计 > 方差分析 > 一般线性模型 > 拟合一般线性模型
  3. 响应中,输入光输出
  4. 因子中,输入玻璃类型
  5. 协变量中,输入温度
  6. 单击模型
  7. 因子和协变量中,选择玻璃类型温度
  8. 按变量顺序添加交互项的右侧,选择 2,然后单击添加
  9. 因子和协变量中,选择温度
  10. 按阶数添加全部交互项的右侧,选择 2,然后单击添加
  11. 因子和协变量中,选择玻璃类型,并在模型中的项中,选择温度*温度
  12. 模型中的交叉因子、协变量和项的右侧,单击添加
  13. 在每个对话框中,单击确定

解释结果

在方差分析表中,所有项的 p 值为 0.000。因为 p 值小于显著性水平 0.05,所以工程师可以得出效应在统计意义上显著的结论。

R2 值显示模型可以解释光输出中 99.73% 的方差,这表明该模型与数据的拟合程度非常高。

VIF 非常高。VIF 值大于 5–10 表明,由于严重的多重共线性,回归系数估计不足。在这种情况下,因为高阶项的原因,VIF 较高。高阶项与主效应项相关,因为高阶项也包含主效应项。要降低 VIF,您可以对编码子对话框中的协变量进行标准化。

其中对于标准化残差较大或杠杆率值较大的观测值进行了标记。在此示例中,两个值具有标准化残差,其绝对值大于 2。您应调查异常观测值,因为它们可能产生误导性结果。

一般线性模型: 光输出 与 温度, 玻璃类型

方法

因子编码(-1, 0, +1)

因子信息

因子类型水平数
玻璃类型固定31, 2, 3

方差分析

来源自由度Adj SSAdj MSF 值P 值
  温度1262884262884719.210.000
  玻璃类型2414162070856.650.000
  温度*温度1190579190579521.390.000
  温度*玻璃类型2511262556369.940.000
  温度*温度*玻璃类型2643743218788.060.000
误差186579366   
合计262418330     

模型汇总

SR-sqR-sq(调整)R-sq(预测)
19.118599.73%99.61%99.39%

系数

系数系数标准误T 值P 值方差膨胀因子
常量-4969191-25.970.000 
温度83.873.1326.820.000301.00
玻璃类型         
  113232714.890.0003604.00
  215542715.740.0003604.00
温度*温度-0.28520.0125-22.830.000301.00
温度*玻璃类型         
  1-24.404.42-5.520.00015451.33
  2-27.874.42-6.300.00015451.33
温度*温度*玻璃类型         
  10.11240.01776.360.0004354.00
  20.12200.01776.910.0004354.00

回归方程

玻璃类型
1光输出=-3646 + 59.47 温度 - 0.1728 温度*温度
       
2光输出=-3415 + 56.00 温度 - 0.1632 温度*温度
       
3光输出=-7845 + 136.13 温度 - 0.5195 温度*温度

异常观测值的拟合和诊断

观测值光输出拟合值残差标准化残差
111070.01035.035.02.24R
171000.01035.0-35.0-2.24R
R  残差大