不同于默认的单因子方差分析过程,Welch 检验不会假定所有总体都具有等方差。要使 Minitab 针对单因子方差分析执行 Welch 检验,请取消选择选项子对话框中的假定等于方差。
请查看“P 值”来确定如何解释 Welch 检验的结果。
总自由度 (DF) 是数据中的信息量。分析使用该信息来估计未知总体参数的值。总自由度由样本中的观测值个数确定。项的自由度显示了项所使用的信息量。增加样本数量可提供有关总体的更多信息,从而增加总自由度。增加模型中项的数量会使用更多信息,这会减少用于估计参数估计值变异性的可用自由度。
如果两个条件都满足,Minitab 会分割误差自由度。第一个条件是必须具有能够与当前模型中未包含的数据拟合的项。例如,如果具有 3 个或更多可区分值的连续变量,您可以估计该预测变量的二次项。如果模型不包含二次项,则数据可以拟合的项不会包含在模型中,且可以满足此条件。
第二个条件是数据包含仿行。仿行是每个预测变量都具有相同值的观测值。例如,如果您具有 3 个观测值,压强为 5,并且温度为 25,那么这 3 个观测值即为仿行。
如果两个条件都满足,那么误差自由度的两个部分均会失拟并且为纯误差。失拟自由度允许检验模型形式是否适用。失拟检验将使用失拟自由度。纯误差的自由度越高,失拟检验越有效。
对于 Welch 单因子方差分析,Minitab 使用分子自由度来计算获取至少与观测 F 值一样极端的 F 值的概率。
Minitab 使用 F 值计算 p 值。通常应评估 p 值,因为它更容易解释。
对于 Welch 单因子方差分析,Minitab 使用分母自由度来计算获取至少与观测 F 值一样极端的 F 值的概率。
Minitab 使用 F 值计算 p 值。通常应评估 p 值,因为它更容易解释。
连续平方和是对模型不同分量的变异的度量。与调整的平方和不同,连续平方和取决于项输入模型的顺序。对于单因子方差分析,连续平方和始终等于调整的平方和。
贡献显示的是方差分析表中每个来源对连续平方总和 (Seq SS) 贡献的百分比。
百分比越高表明来源占响应变异的比例越多。
调整的平方和是对模型的不同分量变异的度量。模型中各预测变量的顺序不会影响调整的平方和的计算。在方差分析表中,Minitab 会将平方和分成不同的分量,这些分量可描述不同来源导致的变异。
Minitab 使用调整的平方和来计算项的 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。
调整的均方度量一个项或模型解释的变异量,假定所有其他项都在模型中,而不论其输入顺序如何。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(也称为 MSE 或 s2)是围绕拟合值的方差。
Minitab 使用调整的均方来计算项的 p 值。Minitab 还使用调整的均方来计算调整的 R2 统计量。通常,您需解释 p 值和调整的 R2 统计量,而非调整的均方。
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,用来测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),然后单击“使用 ICDF 计算临界值”。
P 值是一个概率,用来测量否定原假设的证据。概率越低,否定原假设的证据越充分。
使用方差分析输出中的 p 值确定一些均值的差值在统计意义上是否显著。