我假設對於 JMP 中的多元線性回歸模型，Lack of Fit 的 p 值檢驗 (Prob > F) 值表示整個模型是否顯著？ 如果值小於0.05 那麼我們認為該模型具有統計顯著性嗎？ 那麼方差分析有什麼用，或者對結果發現的（概率> F）值有什麼幫助？ 對於一個模型，如果我們看不到該值是否在統計上不顯著（值大於 0.05），那麼我們是否應該假設該模型根本無法解釋因變量和自變量之間的關係？ 提前致謝。
你好@shuddha7435 ,
下面我將一次解決您的每個問題，但我認為您可能會從總體上的多元回歸概述中獲得更多價值。 裡面有一個模塊工業問題解決的統計思維在線課程——完全免費且在線。您可以在以下位置註冊並獲得即時訪問權限： https://www.jmp.com/statisticalthinking。
1. 失配測試：一般而言，JMP 中的失擬檢驗是對您的模型是否未充分指定的檢驗。 也就是說，您的模型是否缺少重要的術語/預測變量。 拒絕零假設是您需要擬合更複雜的模型以充分解釋數據的證據（缺乏擬合檢驗以一種巧妙的方式做到了這一點，但這超出了本文的範圍。 您可以在JMP 文檔）。 該檢驗不是模型統計顯著性的典型檢驗——它不是檢驗您是否有證據表明至少一個係數不為零的檢驗。
2.方差表分析： ANOVA 表顯示整體模型統計數據，包括兩個誤差以及模型整體的平方和和均方之和。 此表中的 p 值就是您所說的綜合檢驗，它檢驗模型作為一個整體是否解釋了 Y 的變化比這種複雜性的模型偶然預期的更多（即具有盡可能多的度數）用於預測的自由度）。 在這裡拒絕空值（一個小於你的 alpha 的 p 值，例如 0.05），證明我們的模型確實解釋了比我們偶然預期的更多的 Y 變化——或者更簡單地說，它提供了統計證據，即或更多我們的預測變量與總體中的 Y 具有真實關係。 我發現 Parameter Estimates 表提供更多信息，因為它顯示了每個預測變量的係數及其相關的 p 值，測試是否有證據表明預測變量在總體中具有非零參數。
3. 拒絕空值失敗： p 值大於我們聲明的 alpha 值（例如 p > 0.05）導致我們不拒絕原假設，無法說明結果具有統計顯著性。 這並不意味著模型解釋了 Y 變量沒有變化，只是模型解釋的 Y 的變化量可以合理地歸因於偶然性；我們還沒有足夠的證據來可信地拒絕機會作為我們觀察到的 Y 和預測變量之間關係的解釋。 這裡還有一件事值得注意，你必須原諒我在我的肥皂盒上談論這個：雖然我們可以將拒絕零假設（例如 p < 0.05）視為效果的證據，但我們不能將未能拒絕原假設視為存在的證據不影響。 統計和認知問題都在起作用，它們都超出了本文的範圍，但值得記住的是，我們從不接受零假設在頻率論假設檢驗框架中。
我希望這可以澄清一些事情，我鼓勵你研究工業問題解決的統計思維在線課程。
@朱利安
