解释完全嵌套方差分析的主要结果

请完成以下步骤来解释完全嵌套方差分析。主要输出包括 p 值和方差分量。

步骤 1:确定响应和项之间的关联是否统计意义显著

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没有关联。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 指示在实际上不存在关联时得出存在关联的风险为 5%。
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,则可以得出响应变量与项之间的关联在统计意义上显著的结论。
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,则无法得出响应变量与该项之间的关联在统计意义上显著的结论。您可能希望重新拟合没有该项的模型。
如果多个预测变量与响应在统计意义上没有显著的关联,则可以通过删除项(一次删除一个)来简化模型。有关从模型中删除项的更多信息,请转到模型简化

完全嵌套方差分析模型中的所有因子都是随机的。因此,在统计意义上显著的因子表示它对响应中的变异量有贡献。

温度 的方差分析

来源自由度SSMSFP
工厂3731.5156243.83855.8540.011
操作员12499.812541.65101.3030.248
班次481534.916731.97742.5780.000
批次1281588.000012.4062   
合计1914354.2448     
主要结果:P 值

在这些结果中,方差分析表指示工厂和班次在显著性水平为 0.05 时统计意义显著。操作员效应在水平为 0.05 时统计意义不显著。由于模型中的效应使用所有自由度,因此未保留任何自由度来检验不同批次的统计意义是否显著。

步骤 2:检查方差分量

检查方差分量以确定研究中归因于每个随机项的变异量。值越高表明项对响应产生的变异性越大。

方差分量

来源方差分量总和的 %标准差
工厂4.21217.592.052
操作员0.8063.370.898
班次6.52427.242.554
批次12.40651.803.522
合计23.948  4.894
主要结果:方差分量

在这些结果中,方差分量估计值表明:批次、班次和工厂所占的变异性分别为总变异性的 52%、27% 和 18%。