失拟

•	X 变量没有重复点，所以无法计算纯误差平方和。

•	模型饱和，这表示估计参数的个数与观测数相同。这种模型完全拟合，所以不可能评估失拟。

模型中的误差平方和与纯误差平方和之间的差值称为失拟平方和。若模型不合适，失拟变异会显著大于纯误差变异。例如，您的预测变量的函数形式可能有误，或是您模型中的交互作用效应可能不足或不正确。

‒	总误差的自由度与“方差分析”表的“误差”行中的自由度值相同。根据平方和分解，总误差自由度可分为失拟自由度和纯误差自由度。

‒	纯误差自由度是每个重复观测组的合并结果。通常情况下，若有 g 个组，每组中每个效应具有相同的设置，则纯误差自由度（表示为 DFPE）计算如下：

其中，ni 是第 i 个组中的重复值数目。

‒	失拟自由度是总误差自由度与纯误差自由度之间的差值。

‒	总误差平方和是相应的“方差分析”表的误差行中的平方和。

‒	纯误差平方和是每个重复的观测组的平方和的总和。用纯误差平方和除以其自由度可估计给定的预测变量设置下的响应方差。该估计值不受模型影响。通常情况下，若有 g 个组，每组中每个效应具有相同的设置，则纯误差平方和（表示为 SSPE）计算如下：

其中，平方和i 是每个观测响应与第 i 个组的响应均值之间差值的平方和。

‒	失拟平方和是总误差平方和与纯误差平方和之间的差值。

显示失拟均方与纯误差均方之比。F 比检验的是以下假设：失拟估计的方差与纯误差均方相等，这可以解释为表示“无失拟”。

列出失拟检验的 p 值。较小的 p 值指示失拟显著。