请选择您所选的方法或公式。
平方和 (SS)
在矩阵项中，以下是针对不同平方和的公式：
Minitab 同时采用连续平方和与调整的平方和，将 SS 回归或 SS 处理分量分解为由每个项解释的变异量。
表示法
| 项 | 说明 |
|---|---|
| b | 系数向量 |
| X | 设计矩阵 |
| Y | 响应值向量 |
| n | 观测值个数 |
| J | 1s 的 n by n 矩阵 |
调整 MS – 回归
回归均方 (MS) 的公式如下：
表示法
| 项 | 说明 |
|---|---|
 | 平均响应 |
 | 第 i 个拟合响应 |
| p | 模型中的项数 |
Adj MS – 误差
均方误（也称为 MS 误差或 MSE，表示为 s2）是围绕拟合回归线的方差。公式如下：
表示法
| 项 | 说明 |
|---|---|
| yi | 第 i 个观测响应值 |
 | 第 i 个拟合响应 |
| n | 观测值个数 |
| p | 模型中的系数数量，不包括常量 |
F
如果模型中所有因子都是固定的，那么 F 统计量的计算就取决于假设检验的内容，如下所示：
- F（项）
-
- F（失拟）
-
如果模型中具有随机因子，则针对每个项使用期望均方来构建 F。有关更多信息，请参见 Neter 等人的文章1。
表示法
| 项 | 说明 |
|---|---|
| 调整的 MS 项 | 在说明模型中的其他项后，针对项解释的变异量的度量。 |
| MS 误差 | 针对模型不解释的变异的度量。 |
| MS 失拟 | 针对可以通过向模型添加更多项来进行建模的响应中变异的度量。 |
| MS 纯误差 | 针对仿行响应数据中变异的度量。 |
- J. Neter、W. Wasserman 和 M.H. Kutner (1985)。Applied Linear Statistical Models（适用的线性统计模型），第二版。Irwin, Inc.
P 值
用于假设检验，可帮助您确定是要否定原假设还是无法否定原假设。如果原假设成立，P 值就是获得至少与实际计算值一样极端的检验统计量的概率。P 值常用的截止值为 0.05。例如，如果检验统计量的计算的 P 值小于 0.05，您可以否定原假设。
