此值指示获得最终误差平方和(最终 SSE)所需的迭代次数。一般情况下,您不能将意义归因于此数字。但是,如果迭代次数等于方法表中显示的最大迭代次数,这表示算法并没有收敛于一个解。相反,Minitab 达到了最大迭代次数并停止了。如果发生这种情况,您可以尝试更改算法、最大迭代次数、初始值以及预期函数。
最终 SSE 是残差平方和。它可以量化数据中无法由预测变量解释的变异。显示的值表示在给定初始条件下算法可以获得的最小 SSE。
最终 SSE 值越小,模型越能够精确地描述响应。如果要比较模型或初始条件,则比较多个最终 SSE 值是有意义的。而单个最终 SSE 值的意义可能就不是很直观。Minitab 使用最终 SSE 计算 S,通常最终 SSE 的解释更为直观。
误差自由度 (DFE) 等于样本数量减去参数个数。一般情况下,总自由度 (DF) 是数据中的信息量,它由样本中的观测值数确定。分析使用该信息估计参数值。
均方误 (MSE) 是拟合值周围的方差。MSE = 最终 SSE/DFE。
MSE 的平方根是 S。通常,您可以解释 S 而不是 MSE。
S 表示数据值和拟合值之间距离的标准差。S 是使用响应单位度量的。由于 R2 在线性模型环境外没有意义,因此 S 是非线性模型拟合优度的重要度量标准。由于 S 是用与响应变量相同的单位表示的,因此 S 通常比 SEE 的解释方式更直观。
使用 S 可评估模型描述响应值的程度。S 以响应变量的单位进行度量,它表示数据值与拟合值的距离。S 值越低,模型描述响应的程度越高。但是,自身低 S 值并不表明模型符合模型假设。您应检查残差图来验证假设。
例如,您效力一家薯片公司,该公司正在检查影响每个包装内碎薯片百分比的因子。 将模型简化为显著的预测变量,S 的计算结果为 1.79。此结果表明拟合值附近的数据点的标准差为 1.79。如果您在比较模型,则低于 1.79 的值表明拟合较优,值较高则表明拟合较差。