分析田口设计的系数表

请查找相关定义和解释指导，了解估计的模型系数表中的每个统计量。

系数

系数用于描述模型中的项和响应变量之间关系的大小和方向。系数的绝对值表示每个因子的相对强度。要使各项之间的多重共线性最小化，所有系数都需采用编码单位。

Minitab 为每个因子计算的系数个数等于水平数减一。如果因子有 3 个水平，则 Minitab 提供 2 个系数，对应于因子水平 1 和 2。如果因子有 2 个水平，则 Minitab 提供 1 个系数，对应于因子水平 1。Minitab 会包括对应于水平的值或文本。

在田口设计中，因子系数的量值通常反映响应表中的因子秩。响应可以是信噪比、静态设计的均值、动态设计的斜率或标准差，具体取决于您的分析。

通常，效应的大小是评估项对于响应变量是否具有实际显著效应的较好方式。效应的大小不代表一个项是否在统计意义上显著，因为显著性的计算还要考虑响应数据中的变异性。要确定统计显著性，请检查该项的 p 值。

如果反复执行同一试验，系数的标准误会估计您将获取的系数估计值之间的变异性。计算假定要估计的样本数量和系数在反复取样的情况下保持一致。

使用系数的标准误来度量系数估计值的精确度。标准误越小，估计值越精确。将系数除以其标准误计算 t 值。如果与该 t 统计量相关联的 p 值小于显著性水平，则可以得出系数在统计意义上显著的结论。

T 值用来度量系数与其标准误之间的比值。

Minitab 使用 t 值计算 p 值，该 p 值可用于检验系数是否与 0 显著不同。

您可以使用 t 值来确定是否要否定原假设。但是，通常会使用 p 值，因为无论自由度是多少，否定原假设的阈值都相同。有关使用 t 值的更多信息，请转到使用 t 值来确定是否要否定原假设。

P 值是一个概率，用来度量否定原假设的证据。概率越低，否定原假设的证据越充分。

要确定系数是否在统计意义上不等于 0，请将项的 p 值与显著性水平进行比较以评估原假设。原假设声明系数等于 0，这意味着该项与所选的响应特征之间没有关联。在田口设计中，响应特征指响应的函数，例如均值、标准差、斜率和信噪比。

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 指示在系数为 0 时得出系数不为 0 的结论的风险为 5%。通常，显著性水平 0.10 用于评估模型中的项。

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，则可以得出响应特征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，则无法得出响应特征与该项之间的关联在统计意义上显著的结论。您可能需要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。