偏最小二乘回归的方差分析表

在方差分析表中查找每个统计量的定义和解释指导。

DF

总自由度 (DF) 是数据中的信息量。分析使用该信息估计未知总体参数值。总 DF 由样本中的观测值数确定。增加样本数量可提供有关总体的更多信息，从而增加总 DF。

回归的 DF 表示分量使用的信息量。增加分量数量会使用更多信息，这会降低残差误差的 DF。残差误差的 DF 表示可用于估计参数估计值的变异性的信息量。

平方和 (SS) 是调整的平方和，可度量模型的不同分量的变异。由于来源不同，Minitab 将平方和拆分成描述变异的不同分量。

Minitab 使用调整的平方和来计算项的 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。

均方 (MS) 是调整的均方，可用于度量项或模型解释的变异量，假设所有其他项都在模型中，而且不考虑这些项的输入顺序。与调整的平方和不同，调整的均方要考虑自由度。

调整的均方误（又称 MSE 或 s²) 是拟合值周围的方差。

Minitab 使用调整的均方计算项的 P 值。Minitab 还会使用调整的均方计算调整的 R² 统计量。通常情况下，您可以解释 P 值和调整的 R² 统计量（而不是调整的均方）。

F 值是用于确定模型与响应变量是否相关的检验统计量。

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。

要确定模型是否解释响应中的变异，请将模型的 p 值与显著性水平进行比较以评估原假设。整体回归的原假设声明模型不解释响应中的任何变异。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 指示在模型不解释响应中的变异时得出模型对此进行解释的风险为 5%。