【统计学笔记】方差分析表和回归分析表的解读

原创已于 2022-05-01 16:22:47 修改 · 5.3w 阅读

CC 4.0 BY-SA版权

文章标签：

于 2020-12-30 12:03:48 首次发布

12 篇文章

订阅专栏

本文深入探讨了方差分析的基本原理和应用，包括单因素和双因素方差分析表的构建，详细解释了各部分的统计意义。同时，介绍了回归分析的重要性，涵盖了一元和多元回归分析的统计量、方差分析和参数估计。内容适用于理解和应用统计分析解决实际问题。

$\frac{MS⊙}{MSE} \sim F(\quad df( ⊙),df(E)\quad) \\ \qquad \\ (⊙表示误差来源中因素的简写，MS⊙表示MSA、MSR或MSC等，df(⊙)表示因素⊙的自由度)$
$\frac{SS⊙}{df(⊙)}$

自由度 ( $d f$ )：degree of freedom
平方和 ( $S S$ )：Sum of Square
均方 ( $M S$ )：Mean Square

误差来源	平方和 $S S$	自由度 $d f$	均方 $M S$	$F$ 值	$F$ 临界值 $\; F$
组间（因素影响） $\; \bold A$	$S S A$	$k - 1$	$\frac{SSA}{k-1}$	$MSAMSE\frac{MSA}{MSE}$	根据显著性水平 $α\alpha$ 确定
组内（误差） $Error\bold{E}rror$	$S S E$	$n - k$	$\frac{SSE}{n-k}$
总和 $Total\bold Total$	$S S T$	$n - 1$

误差来源	平方和 $S S$	自由度 $d f$	均方 $M S$	$F$ 值	F临界值
行因素 $Row\bold Row$	$S S R$	$k - 1$	$\frac{SSR}{k-1}$	$FR=MSRMSEF_R = \frac{MSR}{MSE}$	根据显著性水平 $α\alpha$ 确定
列因素 $Column\bold Column$	$S S C$	$r - 1$	$\frac{SSC}{r-1}$	$FC=MSCMSEF_C = \frac{MSC}{MSE}$
误差 $Error\bold{E}rror$	$S S E$	$(k−1)×(r−1)(k-1)\times(r-1)$	$\frac{SSE}{(k-1)\times(r-1)}$
总和 $Total\bold Total$	$S S T$	$k r - 1$

在这里插入图片描述

误差来源	$S S$	$d f$	$M S$	$F$ 值	$\; F$
回归 $Regression\bold Regression$	$S S R$	$1$	$\frac{SSR}{1}$	$\frac{MSR}{MSE} \sim F(1, n-2)$	根据显著性水平 $α\alpha$ 确定
残差 $Error\bold{E}rror$	$S S E$	$n - 2$	$\frac{SSE}{n-2}$
总计 $Total\bold Total$	$S S T$	$n - 1$

估计量	系数 $C o e f f i c i e n t s$	标准误差	$t$ 统计量 $\; Stat$	P值 $P - v a l u e$	置信区间 $\; 95\%$	置信区间 $\; 95\%$
截距 $I n t e r c e p t$	$β^0\hat \beta_0$	$sβ^0s_{\hat \beta_0}$	$t=β^0sβ^0t = \frac{\hat \beta_0}{s_{\hat \beta_0}}$
斜率 $\; V\!ariable \;1$	$β^1\hat \beta_1$	$sβ^1s_{\hat \beta_1}$	$t=β^1sβ^1t = \frac{\hat \beta_1}{s_{\hat \beta_1}}$

k：自变量x的个数

误差来源	$S S$	$d f$	$M S$	$F$ 值	$\; F$
回归 $Regression\bold Regression$	$S S R$	$k (自变量 x 的个数)$	$\frac{SSR}{k}$	$\frac{MSR}{MSE} \sim F(k, n-k-1)$	根据显著性水平 $α\alpha$ 确定
残差 $Error\bold{E}rror$	$S S E$	$n - k - 1$	$\frac{SSE}{n-k-1}$
总计 $Total\bold Total$	$S S T$	$n - 1$

估计量	系数 $Coefficients(β^i)Coefficients(\hat \beta_i)$	标准误差( $sβ^is_{\hat \beta_i}$ )	检验统计量( $t$ ) $\; Stat$
截距 $I n t e r c e p t$	$β^0\hat \beta_0$	$sβ^0s_{\hat \beta_0}$	$t0=β^0sβ^0t_0 = \frac{\hat \beta_0}{s_{\hat \beta_0}}$
$x_1$ $\; V\!ariable \;1$	$β^1\hat \beta_1$	$sβ^1s_{\hat \beta_1}$	$t1=β^1sβ^1t_1 = \frac{\hat \beta_1}{s_{\hat \beta_1}}$
$x_2$ $\; V\!ariable \;2$	$β^2\hat \beta_2$	$sβ^2s_{\hat \beta_2}$	$t2=β^2sβ^2t_2 = \frac{\hat \beta_2}{s_{\hat \beta_2}}$
$. . . . . .$
$x_k$ $\; V\!ariable \;k$	$β^k\hat \beta_k$	$sβ^ks_{\hat \beta_k}$	$tk=β^ksβ^kt_k = \frac{\hat \beta_k}{s_{\hat \beta_k}}$