分析混料设计的拟合值与诊断表

解释

拟合值是通过将数据集内每个观测值的特定 x 值输入到模型方程中来计算的。

例如，如果方程为 y = 5 + 10x，则 x 值 2 的拟合值为 25 (25 = 5 + 10(2))。

其拟合值与观测值显著不同的观测值可能是异常值。具有异常预测变量值的观测值可能是有影响的观测值。如果 Minitab 确定数据包含异常值或有影响的值，则输出中会包含“异常观测值的拟合值与诊断”表，此表可确定这些观测值。Minitab 标记的异常观测值未能很好地遵循建议的回归方程。但是，预计您将得到一些异常观测值。例如，基于较大标准化残差的标准，因为具有较大的标准化残差，预计将标记约 5% 的观测值。有关异常值的更多信息，请转到异常观测值。

解释

使用拟合值标准误可度量平均响应估计值的精确度。标准误越小，预测平均响应越精确。例如，一位分析人员设计了一个用于预测交货时间的模型。对于一组变量设置，该模型预测平均交货时间为 3.80 天。这些设置的拟合值标准误为 0.08 天。对于第二组变量设置，模型生成了相同的平均交货时间，但是拟合值标准误为 0.02 天。该分析人员可以确信：第二组变量设置的平均交货时间更接近 3.80 天。

您可以将拟合值标准误与拟合值结合使用，从而创建平均响应的置信区间。例如，根据自由度的数量，95% 置信区间将大约从预测均值上方和下方展开两个标准误。对于交货时间，当标准误为 0.08 时，预测均值 3.80 天的 95% 置信区间为 (3.64, 3.96) 天。总体均值在此范围内的置信度为 95%。当标准误为 0.02 时，95% 置信区间为 (3.76, 3.84) 天。第二组变量设置的置信区间更窄，因为其标准误较小。

解释

绘制残差图可确定模型是否适用且符合回归的假设。检查残差可以提供有关模型对数据的拟合优度的有用信息。通常，残差应当是随机分布的，而且没有明显的模式和异常值。如果 Minitab 确定数据包含异常观测值，则会在输出的“异常观测值的拟合与诊断”表中确定这些观测值。Minitab 标记的异常观测值未能很好地遵循建议的回归方程。但是，预计您将得到一些异常观测值。例如，基于较大残差的标准，因为具有较大的残差，预计将大致标记 5% 的观测值。有关异常值的更多信息，请转到异常观测值。

解释

使用标准化残差可帮助您检测异常值。大于 2 和小于 −2 的标准化残差通常被视为较大值。“异常观测值的拟合与诊断”表使用“R”来标识这些观测值。Minitab 标记的观测值未能很好地遵循建议的回归方程。但是，预计您将得到一些异常观测值。例如，基于较大标准化残差的标准，因为具有较大的标准化残差，预计将大致标记 5% 的观测值。有关更多信息，请转到异常观测值。

标准化残差非常有用，因为原始残差可能不是有效的异常值指示符。每个原始残差的方差可能会因与之相关的 x 值的不同而有所差异。这一变异不等情况会造成难以评估原始残差的量级。标准化残差则可以通过将不同方差转换为通用尺度来解决该问题。