二值拟合线图的方差分析表

在方差分析表中查找每个统计量的定义和解释指导。

关于本主题

自由度
调整的偏差
调整的均值
卡方
P 值 – 回归
P 值 – 项

自由度

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 DF 比数据中的行数少 1。项的自由度显示了项所使用的信息量。增加模型中项的数量会向模型中添加更多系数，这会减少用于误差的 DF。误差的 DF 是模型中未使用的剩余自由度。

注意

对于 2 水平因子设计或 Plackett-Burman 设计，如果设计内有中心点，则一个 DF 对应于弯曲检验。如果中心点的项在模型中，则弯曲行是模型的一部分。如果中心点的项不在模型中，则弯曲行是用于检验模型中各项的误差的一部分。在响应曲面和定义筛选设计中，由于可以估计二次项，因此弯曲检验并非必需。

调整的偏差

调整的偏差可以度量不同模型分量的变异。模型中预测变量的顺序不会影响调整的偏差的计算。Minitab 将偏差分割成不同的分量，以描述不同来源的偏差。

回归: 回归模型的调整的偏差可以量化当前模型和全模型之间的差分。
项: 项的调整偏差可以量化包含该项的模型和全模型之间的差分。
错误: 误差的调整偏差可以量化模型无法解释的偏差。
合计: 总调整偏差是模型的调整偏差与误差的调整偏差之和。总调整偏差可以量化数据总偏差。

解释

Minitab 使用调整的偏差计算项的 P 值。Minitab 使用调整的偏差计算偏差 R² 统计量。通常情况下，您可以解释 P 值和 R² 统计量，而不是偏差。

调整的均值

调整的均值偏差可度量项或模型为每个自由度解释的偏差量。计算每一项的调整的均值偏差时会假设所有其他项都在模型中。

解释

Minitab 使用卡方值来计算项的 p 值。通常情况下，您可以解释 p 值而不是调整的均方。

卡方

方差分析表中的每一项都具有一个卡方值。卡方值是检验统计量，可以确定项或模型是否与响应变量相关。

解释

Minitab 使用卡方统计量计算 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。足够大的卡方统计量产生的 P 值较小，这表示项或模型在统计意义上显著。

P 值 – 回归

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。

解释

要确定数据是否提供证据来说明回归模型中至少有一个系数不同于 0，请将回归的 p 值与显著性水平进行比较以评估原假设。回归 p 值的原假设是回归模型中各项的所有系数均为 0。显著性水平 0.05 指示在所有系数均为 0 时得出至少有一个系数不为 0 的结论的风险为 5%。

P 值 ≤ α：至少一个系数不同于 0: 如果 p 值小于或等于显著性水平，则得出至少有一个系数不同于 0 的结论。
P 值 > α：证据不足，无法得出至少一个系数不同于 0 的结论: 如果 p 值大于显著性水平，则无法得出至少有一个系数不同于 0 的结论。

P 值 – 项

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。

解释

要确定响应变量与预测变量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。原假设声明预测变量的系数等于零，这表明预测变量和响应变量之间没有关联。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预测变量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预测变量之间的关联在统计意义上显著的结论。