解释分析响应曲面设计的二元响应的主要结果

使用 Pareto 标准化效应图可比较主效应、平方效应和交互作用效应的相对量值与统计显著性。

Minitab 按照标准化效应绝对值的递减顺序绘制效应图。 图中的参考线表明哪些效应是显著效应。 默认情况下，Minitab 使用显著性水平 .05 绘制参考线。

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。原假设声明该项的系数等于零，这意味着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。

偏差 R-Sq

偏差 R² 越高，模型拟合数据的优度越高。偏差 R² 始终在 0% 和 100%之间。

在向模型添加其他项时，偏差 R² 会始终增大。例如，最佳的 5 项模型的 R² 始终比最佳的 4 项模型的高（至少一样高）。因此，比较相同大小的模型时，偏差 R² 最有效。

数据排列会影响偏差 R² 值。每行有多个试验的数据通常比每行只有一个试验的数据具有更高的偏差 R²。偏差 R² 值仅在使用相同数据格式的模型之间可比较。

拟合优度统计量只是模型拟合数据优度的一种度量。即使模型具有合意的值，您也应当检查残差图和拟合优度检验，以评估模型拟合数据的优度。

偏差 R-sq (adj)

使用调整的偏差 R² 可比较具有不同项数量的模型。向模型添加项时，偏差 R² 会始终增大。调整的偏差 R² 值在模型中包含了项数，以帮助您选择正确的模型。

AIC、AICc 和 BIC

使用 AIC、AICc 和 BIC 比较不同的模型。对于各统计量，值越小越合意。但是，对于预测变量集具有最小值的模型，不一定需要很准确地拟合数据。而且，还可使用拟合优度检验和残差图评估模型与数据的拟合优度。

如果偏离在统计上显著，则您可以尝试另一种链接函数或更改模型中的项。