拟合线图的方差的序贯分析表

请查找定义和解释，了解方差的序贯分析表中的每个统计量。

关于本主题

自由度
SS
F 值
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。

SS

连续平方和 (SS) 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。在连续方差分析表中，Minitab 将模型中的连续平方和拆分为多个多项式项（即，线性、二次、立方）。

SS: 每个多项式项的连续平方和都是由该项解释的独特的变异部分，该项无法由已输入模型的低阶项解释。它用于量化响应数据中由每个多项式项解释的变异量，因为这些项是按顺序添加到模型中的。
Seq SS 合计: 总平方和是项平方和与误差平方和的总和。它可以量化数据中的总变异量。

解释

Minitab 使用连续平方和来计算项的 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。

F 值

F 值是用于确定模型与响应变量是否相关的检验统计量。

解释

Minitab 使用 F 值计算 P 值，使用 P 值可以做出有关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 值表示模型显著。

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 – 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，这表明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。如果您拟合二次模型或立方模型而且二次项或立方项显著，则可以得出数据包含弯曲的结论。
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。如果您拟合二次模型或立方模型而且二次项或立方项在统计意义上不显著，则可能需要选择其他模型。