こんにちは@LocalTables505 、
コミュニティへようこそ！
不適合度検定は、モデルがデータによく適合しているかどうかを評価するのに役立ちます。この検定で統計的に有意な p 値は、モデル誤差が純粋な誤差よりも大幅に大きいこと、およびモデルが適切ではない可能性があることを示します: https://www.jmp.com/support/help/en/17.2/#page/jmp/lack-of-fit.shtml
この状況は、収集した結果/データに対して 1 次モデルが「単純すぎる」場合に、たとえば、データの曲率をモデル化するための項がいくつか欠落している場合 (2 次項、相互作用、および/または二次効果を通じて) に、例で発生する可能性があります。
残差分析を通じて回帰モデルの妥当性をチェックし、回帰の仮定が満たされているかどうか、残差にモデルの不適切さを示すパターンが検出されているかどうかを確認することもできます: https://www.jmp.com/en_us/statistics-knowledge-portal/what-is-regression/simple-linear-regression-assumptions.html
この回答があなたの理解に役立つことを願っています。
@Victor_Gが書いたことに少しだけ付け加えると、私も同意しますが、応答と予測変数を単純な散布図形式でプロットしましたか? モデリングの前に、そこから始めることをお勧めします。これにより、データに最も適切に適合する初期モデルを提案するチャンスが得られます。応答の一般的なパターン (線形、曲線など)、外れ値、奇妙に見えるデータ ポイントを特定するのに役立ちます。また、予測変数の値が複製されている場合は、その変動をグラフ形式で確認する機会にもなります。エンジニア、科学者、その他の人々に常に伝えているように、データ分析を成功させる 3 つのステップは次のとおりです。1. データをプロットする。2. データをプロットする。3. データをプロットする!
