The ANOVA table

Rows

Block: The block row shows how much variation in the response is attributed to blocks. Block
variation is removed from the analysis. Blocks are not tested (no F or p- value) because they are
considered a non-replicated, hard-to-change factor. Blocks are assumed to not interact with the
factors. If there are no blocks in the design, this row will not be present.

Baris blok menunjukkan seberapa banyak variasi dalam respons dikaitkan dengan blok. Variasi
blok dihapus dari analisis. Blok tidak diuji (tidak ada nilai F atau p) karena dianggap sebagai
faktor yang tidak direplikasi dan sulit diubah. Blok diasumsikan tidak berinteraksi dengan faktor.
Jika tidak ada blok dalam desain, baris ini tidak akan ada.

Model: The model row shows how much variation in the response is explained by the model
along with the over-all model test for significance.

Baris model menunjukkan seberapa banyak variasi dalam respons dijelaskan oleh model bersama
dengan uji model over-all untuk signifikansi.

Terms: The model is separated into individual terms and tested independently.

Model dipisahkan menjadi istilah-istilah individual dan diuji secara independen.

Residual: The residual row shows how much variation in the response is still unexplained.

Baris residual menunjukkan berapa banyak variasi dalam respons yang masih belum dijelaskan.

Lack of Fit: is the amount the model predictions miss the observations.

adalah jumlah yang model prediksi lewatkan pengamatan.

Pure Error: is the amount of difference between replicate runs.

adalah jumlah perbedaan antara menjalankan ulangan.

Cor Total: This row shows the amount of variation around the mean of the observations. The
model explains part of it, the residual explains the rest.

Baris ini menunjukkan jumlah variasi di sekitar rata-rata pengamatan. Model menjelaskan bagian
dari itu, sisanya menjelaskan sisanya.

Columns

Source: A meaningful name for the rows. Nama yang bermakna untuk baris.
Sum of Squares: Sum of the squared differences between the overall average and the amount of
variation explained by that rows source.

Jumlah perbedaan kuadrat antara rata-rata keseluruhan dan jumlah variasi yang dijelaskan oleh
sumber baris tersebut.

df: Degrees of Freedom: The number of estimated parameters used to compute the source's sum
of squares.

Derajat Kebebasan: Jumlah taksiran parameter yang digunakan untuk menghitung jumlah
kuadrat sumber.

Mean Square: The sum of squares divided by the degrees of freedom. Also called variance.

Jumlah kuadrat dibagi dengan derajat kebebasan. Juga disebut varians.

F Value: Test for comparing the sources mean square to the residual mean square.

Uji untuk membandingkan kuadrat sumber dengan kuadrat residual

Prob > F: (p-value) Probability of seeing the observed F value if the null hypothesis is true
(there are no factor effects). Small probability values call for rejection of the null hypothesis. The
probability equals the proportion of the area under the curve of the F-distribution that lies beyond
the observed F value. The F distribution itself is determined by the degrees of freedom associated
with the variances being compared.

Prob> F: (p-value) Probabilitas melihat nilai F yang diamati jika hipotesis nol benar (tidak ada
efek faktor). Nilai probabilitas kecil menuntut penolakan hipotesis nol. Probabilitas sama dengan
proporsi area di bawah kurva distribusi-F yang terletak di luar nilai F yang diamati. Distribusi F
itu sendiri ditentukan oleh derajat kebebasan yang terkait dengan varian yang dibandingkan.

(In "plain English", if the Prob>F value is very small (less than 0.05 by default) then the source
has tested significant. Significant model terms probably have a real effect on the response;
significant lack of fit, indicates the model does not fit the data within the observed replicate
variation.

(Dalam "Bahasa Inggris biasa", jika nilai Prob> F sangat kecil (kurang dari 0,05 secara default)
maka sumber telah diuji secara signifikan. Istilah model yang signifikan mungkin memiliki efek
nyata pada respons; kurangnya kesesuaian yang signifikan, menunjukkan model tidak cocok
dengan data dalam variasi ulangan yang diamati.

Modeling Statistics

Std Dev: (Root MSE) Square root of the residual mean square. Consider this to be an estimate of
the standard deviation associated with the experiment.
Mean: Overall average of all the response data.

C.V.: Coefficient of Variation, the standard deviation expressed as a percentage of the mean.
Calculated by dividing the Std Dev by the Mean and multiplying by 100.

PRESS: Predicted Residual Error Sum of Squares – A measure of how the model fits each point
in the design. The PRESS is computed by first predicting where each point should be from a
model that contains all other points except the one in question. The squared residuals (difference
between actual and predicted values) are then summed.

R-squared: A measure of the amount of variation around the mean explained by the model.

Adj R-squared: A measure of the amount of variation around the mean explained by the model,
adjusted for the number of terms in the model. The adjusted R-squared decreases as the number
of terms in the model increases if those additional terms don’t add value to the model.

Pred R-squared: A measure of the amount of variation in new data explained by the model.

The predicted R-squared and the adjusted R-squared should be within 0.20 of each other.
Otherwise there may be a problem with either the data or the model. Look for outliers, consider
transformations, or consider a different order polynomial.

Adequate Precision: This is a signal-to-noise ratio. It compares the range of the predicted values
at the design points to the average prediction error. Ratios greater than 4 indicate adequate model
discrimination.

-2 Log Likelihood: This is derived by iteratively improving the coefficient estimates for the
chosen model to maximize the likelihood that the fitted model is the correct model. For balanced,
orthogonal designs, this is exactly the same result as least squares regression. The -2 log
likelihood is used to compute the following penalized modeling statistics.

BIC: a large design penalized likelihood statistic used to choose the best model.

AICc: a small to medium (most designs) penalized likelihood statistic used to choose the best
model.

Std Dev: (Root MSE) Akar kuadrat dari kuadrat rata-rata residual. Anggap ini sebagai perkiraan
standar deviasi yang terkait dengan eksperimen.

Mean: Rata-rata keseluruhan dari semua data respons.

C.V .: Koefisien Variasi, standar deviasi dinyatakan sebagai persentase dari rata-rata. Dihitung
dengan membagi Std Dev dengan Mean dan mengalikannya dengan 100.

PRESS: Predicted Residual Error Jumlah Kuadrat - Ukuran bagaimana model cocok dengan
setiap titik dalam desain. PRESS dihitung dengan terlebih dahulu memprediksi di mana setiap
titik harus berasal dari model yang berisi semua poin lain kecuali yang dimaksud. Residual
kuadrat (perbedaan antara nilai aktual dan prediksi) kemudian dijumlahkan.

R-squared: Ukuran jumlah variasi di sekitar rata-rata yang dijelaskan oleh model.

Adj R-squared: Ukuran jumlah variasi di sekitar rata-rata yang dijelaskan oleh model,
disesuaikan dengan jumlah istilah dalam model. R-squared yang disesuaikan berkurang karena
jumlah istilah dalam model meningkat jika persyaratan tambahan itu tidak menambah nilai pada
model.

Pred R-squared: Ukuran jumlah variasi dalam data baru yang dijelaskan oleh model.

R-squared yang diprediksi dan R-squared yang disesuaikan harus berada dalam 0,20 satu sama
lain. Kalau tidak, mungkin ada masalah dengan data atau model. Cari outlier, pertimbangkan
transformasi, atau pertimbangkan polinomial urutan berbeda.

Presisi yang memadai: Ini adalah rasio signal-to-noise. Ini membandingkan rentang nilai prediksi
pada titik desain dengan kesalahan prediksi rata-rata. Rasio lebih besar dari 4 menunjukkan
model diskriminasi yang memadai.

-2 Log Likelihood: Ini diperoleh dengan secara iteratif meningkatkan estimasi koefisien untuk
model yang dipilih untuk memaksimalkan kemungkinan bahwa model yang cocok adalah model
yang benar. Untuk desain seimbang dan ortogonal, ini adalah hasil yang persis sama dengan
regresi kuadrat terkecil. Kemungkinan log -2 digunakan untuk menghitung statistik pemodelan
sanksi berikut.

BIC: statistik kemungkinan besar dihukum desain yang digunakan untuk memilih model terbaik.

AICc: statistik kemungkinan hukuman kecil hingga menengah (kebanyakan desain) yang
digunakan untuk memilih model terbaik.

Coefficient Estimates

This table has one row per estimated term in the model.

The number of columns depends on the type of analysis.

Factor: Experimental variables selected for inclusion in the predictive model.

Coefficient Estimate: Regression coefficient representing the expected change in response y per
unit change in x when all remaining factors are held constant. In orthogonal two-level designs, it
equals one-half the factorial effect.

Coefficient Estimate for General Factorial Designs: Coefficients for multi-level categorical
factors are not as simple to interpret. Beta(1) is the difference of level 1's average from the
overall average. Beta(2) is the difference of level 2's average from the overall average. Beta(k-1)
is the difference of level (k-1)'s average from the overall average. The negative sum of the
coefficients will be the difference of level k's average from the overall average. Don’t use these
coefficients for interpretation of the model – use the model graphs!

df: Degrees of Freedom – equal to one for testing coefficients.

Standard Error: The standard deviation associated with the coefficient estimate.

95% CI High and Low: If this range spans 0 (one limit is positive and the other negative) then
the coefficient of 0 could be true, indicating the term is not significant.

VIF: Variance Inflation Factor – Measures how much the variance around the coefficient
estimate is inflated by the lack of orthogonality in the design. If the factor is orthogonal to all
other factors in the model, the VIF is one. Values greater than 10 indicate that the factors are too
correlated together (they are not independent.) VIF's are a less important statistic when working
with mixture designs and constrained response surface designs.

The predictive model is listed in both actual and coded terms. (For mixture experiments, the
prediction equations are given in pseudo, real and actual values of the components.) The coded
(or pseudo) equation is useful for identifying the relative significance of the factors by
comparing the factor coefficients. All equations give identical predictions when hierarchy is
enforced. These equations, used for prediction, have no block effects. Blocking is a restriction on
the randomization of the experiment, used to reduce error. It is not a factor being studied. Blocks
are only used to fit the observation for this experiment, not to make predictions.

Tabel ini memiliki satu baris per taksiran istilah dalam model.

Jumlah kolom tergantung pada jenis analisis.

Faktor: Variabel eksperimental dipilih untuk dimasukkan dalam model prediktif.

Estimasi Koefisien: Koefisien regresi mewakili perubahan yang diharapkan dalam respons y per
unit, perubahan x ketika semua faktor yang tersisa dipertahankan konstan. Dalam desain dua
tingkat ortogonal, itu sama dengan setengah efek faktorial.

Estimasi Koefisien untuk Desain Faktorial Umum: Koefisien untuk faktor kategori multi-level
tidak semudah ditafsirkan. Beta (1) adalah perbedaan rata-rata level 1 dari rata-rata keseluruhan.
Beta (2) adalah perbedaan rata-rata level 2 dari rata-rata keseluruhan. Beta (k-1) adalah
perbedaan rata-rata level (k-1) dari rata-rata keseluruhan. Jumlah negatif dari koefisien akan
menjadi perbedaan rata-rata level k dari rata-rata keseluruhan. Jangan gunakan koefisien ini
untuk interpretasi model - gunakan grafik model!

df: Derajat Kebebasan - sama dengan satu untuk menguji koefisien.

Kesalahan Standar: Deviasi standar terkait dengan estimasi koefisien.

95% CI Tinggi dan Rendah: Jika rentang ini mencakup 0 (satu batas positif dan negatif lainnya)
maka koefisien 0 bisa benar, menunjukkan istilah tidak signifikan.

VIF: Variance Inflation Factor - Mengukur seberapa banyak varians di sekitar estimasi koefisien
meningkat oleh kurangnya ortogonalitas dalam desain. Jika faktor ortogonal terhadap semua
faktor lain dalam model, VIF adalah satu. Nilai lebih besar dari 10 menunjukkan bahwa faktor-
faktor tersebut terlalu berkorelasi bersama (mereka tidak independen.) VIF adalah statistik yang
kurang penting ketika bekerja dengan desain campuran dan desain permukaan respons terbatas.

Model prediksi dicantumkan dalam istilah aktual dan kode. (Untuk percobaan campuran,
persamaan prediksi diberikan dalam nilai pseudo, real, dan aktual komponen.) Persamaan kode
(atau pseudo) berguna untuk mengidentifikasi signifikansi relatif dari faktor-faktor dengan
membandingkan koefisien faktor. Semua persamaan memberikan prediksi yang identik ketika
hierarki diberlakukan. Persamaan ini, digunakan untuk prediksi, tidak memiliki efek blok.
Memblokir adalah batasan pada pengacakan percobaan, digunakan untuk mengurangi kesalahan.
Itu bukan faktor yang sedang dipelajari. Blok hanya digunakan agar sesuai dengan pengamatan
untuk percobaan ini, bukan untuk membuat prediksi.

For Linear Mixture Models Only:

The coefficient table is augmented for linear mixture models to include statistics on the adjusted
linear effects. Because the linear coefficients cannot be compared to zero, the linear effect of
component i is measured by how different the ith coefficient is from the other (q-1) coefficients.
The t-test is applicable to the difference in the mixture coefficient estimates. When the design
space is not a simplex, the formula for calculating the component effects is adjusted for the
differences in the ranges.

The gradient is the estimated slope across the linear response surface projected through a
reference blend in both Cox and Piepel's direction. The total effect of a component is the gradient
times the range the component varied. These effects are plotted as a trace plot under the model
graphs button.

Tabel koefisien ditambah untuk model campuran linier untuk memasukkan statistik pada efek
linear yang disesuaikan. Karena koefisien linier tidak dapat dibandingkan dengan nol, efek linear
dari komponen i diukur dengan seberapa berbeda koefisien engan dari koefisien (q-1) lainnya.
Uji-t berlaku untuk perbedaan estimasi koefisien campuran. Ketika ruang desain bukan simpleks,
rumus untuk menghitung efek komponen disesuaikan untuk perbedaan dalam rentang.

Gradien adalah kemiringan yang diperkirakan pada permukaan respons linear yang
diproyeksikan melalui campuran referensi dalam arah Cox dan Piepel. Efek total komponen
adalah gradien kali rentang komponen bervariasi. Efek ini diplot sebagai plot jejak di bawah
tombol grafik model.

For One Factor Designs Only:

The next section in the ANOVA lists results for each treatment (factor level) and shows the
significance of the difference between each pair of treatments.

Estimated Mean: The average response at each treatment level.

Standard Error: The standard error associated with the calculation of this mean. It comes from
the standard deviation of the data divided by the square root of the number of repetitions in a
sample.

Treatment: This lists each pairwise combination of the factor levels.

Mean Difference: The difference between the average response from the two treatments.

df: The degrees of freedom associated with the difference.

Standard Error: The standard error associated with the difference between the two means.

t value: This is calculated by the Mean Difference divided by the Standard Error. It represents
the number of standard deviations separating the two means.

Prob>t: This is the probability of getting this t-value if the two means are truly not different. A
value less than 0.05 indicates that there is a statistically significant difference between the means.

Bagian selanjutnya dalam ANOVA mencantumkan hasil untuk setiap perawatan (tingkat faktor)
dan menunjukkan signifikansi perbedaan antara masing-masing pasangan perawatan.

Perkiraan Mean: Respon rata-rata pada setiap tingkat perlakuan.

Kesalahan Standar: Kesalahan standar yang terkait dengan perhitungan rata-rata ini. Itu berasal
dari standar deviasi data dibagi dengan akar kuadrat dari jumlah pengulangan dalam sampel.

Perlakuan: Ini mencantumkan setiap kombinasi berpasangan dari tingkat faktor.

Perbedaan rata-rata: Perbedaan antara respons rata-rata dari dua perlakuan.

df: Tingkat kebebasan yang terkait dengan perbedaan.

Kesalahan Standar: Kesalahan standar yang terkait dengan perbedaan antara dua cara.

nilai t: Ini dihitung oleh Perbedaan Rata-rata dibagi dengan Kesalahan Standar. Ini mewakili
jumlah standar deviasi yang memisahkan dua cara.

Prob> t: Ini adalah probabilitas mendapatkan nilai-t ini jika kedua cara tersebut benar-benar tidak
berbeda. Nilai kurang dari 0,05 menunjukkan bahwa ada perbedaan yang signifikan secara
statistik antara rata-rata.