一元配置分散分析の検定で、なぜ「YによるXのフィット」と「モデルのフィット」の結果が異なるのでしょうか。こんにちは、
私は使用したサンプルデータが "Snapdragon"である "Fit Y by X"と "Fit Least Squares"を使用して、一元配置分散分析を実行しようとしていました。もともと、両方の方法で得られたP値とF比は同じでなければならないと思いました（ハイライト部分を参照）。しかし、私は間違っていました。彼らは実際にはかなり違います
これらの2つの方法を使用した場合、なぜそれらが異なるのかを誰かに教えてもらえますかどちらがより正確な分析ですか。
どうもありがとう！
再：一元配置分散分析の検定で、なぜ「YによるXの近似」と「モデルの近似」の結果が異なるのか
とった。これはすでにとても役に立ちます。ありがとうございます。
再：一元配置分散分析の検定で、なぜ「YによるXの近似」と「モデルの近似」の結果が異なるのかはい。応答に影響を及ぼしている可能性があるいくつかの要因がある場合は、さまざまな方法でデータを調査し、最終的な結論として多変量モデル（Fit Model）で終わる可能性があります。場合によっては、因子間の相互作用と段階的な近似も考慮する必要があります。
残念ながら、ディスカッションスレッドの領域で、あらゆる状況で何をする必要があるのかわかりません。正式なトレーニングを受けることを検討してください。再：一元配置分散分析の検定で、なぜ「YによるXの近似」と「モデルの近似」の結果が異なるのかこんにちはPhil、
徹底的な説明をありがとうございました。それは今もっと理にかなっています。したがって、もっと複雑なデータセット（複数の要因があり、各要因が5つ以上のレベルを持つ）で最も優勢な要因を見つけようとする場合は、単に見るだけでなく、Fit Model分析を実行して結論を導きます。一元配置分散分析の結果で、F比が最も高いものを見つけます。私の理解は正しいですか？
ありがとう、
シチャオ
再：一元配置分散分析の検定で、なぜ「YによるXの近似」と「モデルの近似」の結果が異なるのかまた、最も正確な分析はどれですか。まあ、すべてのモデルが間違っている...
しかしながら、個々の一方向分析は、効果分散を誤差分散と比較しています。しかし、誤差の分散は、欠けている効果によって説明できる分散が含まれるため、過大評価されています。
そのため、誤差の項は因子効果の影響を考慮した後に残された分散にすぎないため、結合モデルがより有用なモデルであることをお勧めします。
実験の始めに組み立てられた仮説に戻ります。
再：一元配置分散分析の検定で、なぜ「YによるXの近似」と「モデルの近似」の結果が異なるのか実際、この場合、結合モデル（142）のモデル二乗和は、個々のモデル（103 + 39）の効果の二乗和の合計に過ぎないことがわかります。ANOVAの表を見てください - うまくいけばそれは理にかなっています。
（この場合、Soil効果とBlock効果は直交しています - 互いに相関していません - 設計された実験のデータであるためです。他の場合には - 観測データを用いて - これは必ずしも当てはまるわけではない）
再：一元配置分散分析の検定で、なぜ「YによるXの近似」と「モデルの近似」の結果が異なるのかこんにちは、
単純な答えは、XにフィットYを使用すると、2つの別々のモデルにフィットしているということです。フィットモデルを使用すると、両方の効果を1つのモデルにフィットさせることになります。
F検定は、モデルの分散と誤差の分散を比較します。土壌効果とブロック効果の両方を組み合わせると、どちらか一方だけではなく、Yの変動が大きくなります。それ故、誤差分散はより低く、Ｆ比はより高い。
それは役立ちますか？
よろしく、
フィル
