MINITAB中文教程：统计分析与质量管理

聚合收藏

于 2024-09-01 16:52:47 发布

阅读量2.2k

点赞数 27

本文链接：https://blog.csdn.net/weixin_34598113/article/details/141817247

版权

本文还有配套的精品资源，点击获取

简介：MINITAB作为一款强大的统计分析工具，在质量控制、数据挖掘和实验设计等领域广受欢迎。该教程旨在为初学者提供一个友好的起点，通过详细的界面介绍、数据管理、基本统计分析、图形制作、质量控制、回归分析、过程能力分析、假设检验、多元统计和质量改进工具等内容的学习，使用户能够通过实例和练习，提高数据分析和质量管理的实际操作技能。教程采用PPT格式，以直观高效的方式呈现复杂的统计概念。

1. MINITAB中文教程概览

欢迎加入MINITAB中文教程的学习之旅！本章节将为读者提供MINITAB软件的总体介绍，搭建一个学习的起点。我们会从MINITAB的基本用途和适用场景讲起，逐步过渡到软件界面的快速认识，为接下来的学习打下坚实的基础。

MINITAB是一款专业的统计分析软件，广泛应用于质量控制、教学研究以及数据探索等领域。不论你是数据分析的初学者还是进阶用户，都能通过本教程掌握必要的技能，进行高效的数据处理和深入的统计分析。

本章节内容旨在让读者迅速理解MINITAB的操作环境，而后续章节将逐步展开具体的操作指南。让我们开始吧，从今天起，让数据分析变得更加得心应手！

graph LR
    A[MINITAB中文教程概览] --> B[MINITAB基本用途和适用场景]
    B --> C[软件界面快速认识]
    C --> D[后续章节操作指南]

接下来，我们将按照以下章节顺序深入探讨MINITAB的强大功能和实际应用。

2. MINITAB用户界面介绍

2.1 MINITAB的窗口布局

2.1.1 标题栏与菜单栏功能

MINITAB的标题栏位于程序窗口的最顶部，显示了当前打开的文件名和MINITAB应用程序的名称。菜单栏紧随其后，提供了用户访问各种功能的入口。菜单栏包括“文件”、“编辑”、“视图”、“数据”、“统计”、“图形”、“质量工具”、“宏”和“帮助”等多个选项。

“文件”菜单

“文件”菜单下包含了创建新项目、打开、保存、打印及导出数据和图形等操作。这是用户开始任何数据分析前必须熟悉的部分。

“编辑”菜单

“编辑”菜单则提供对当前工作区数据的编辑功能，比如剪切、复制、粘贴等，同时包括对输入的命令和结果的编辑。

“统计”和“图形”菜单

这两个菜单包含了大量统计分析和图形展示功能，涵盖了描述性统计、假设检验、回归分析、质量控制等多种统计工具，以及条形图、直方图等图形工具。

“质量工具”和“宏”菜单

“质量工具”菜单提供了用于质量控制分析的各种工具，例如控制图和过程能力分析；而“宏”菜单则允许用户运行和管理宏文件，提高工作效率。

“帮助”菜单

最后，“帮助”菜单提供了关于MINITAB的官方帮助文件，用户可以通过查阅帮助文件来了解具体的操作方法。

2.1.2 工具栏与数据区概览

工具栏位于菜单栏下方，它将用户最常用的一些功能以图标的形式展现出来，方便快速访问。例如，“新建”、“打开”、“保存”、“打印”等操作。

数据区通常位于工作窗口的左侧，这里显示了所有已打开的数据文件和工作表。用户可以对这些文件进行查看、编辑和管理等操作。

2.1.3 会话窗口与图形窗口使用

会话窗口位于软件的下方，是显示程序运行结果和历史记录的主要窗口。用户可以在这里查看之前执行的命令和对应的结果输出。

图形窗口则用于展示生成的统计图形。用户可以根据需要对图形进行调整，比如修改标签、添加注释等。

2.2 MINITAB的数据输入与编辑

2.2.1 输入数据的基本方法

MINITAB提供了多种方式来输入数据，最常见的是直接在数据编辑器中手动输入数据。用户可以单击菜单栏中的“数据” -> “数据编辑器”，然后在打开的编辑器中输入数据。

数据通常按行和列组织。每一行代表一个观测值，每一列代表一个变量。输入时需要注意数据的准确性和完整性。

2.2.2 编辑和修改数据列与行

在数据输入过程中，经常需要对已输入的数据进行修改。在数据编辑器中，用户可以通过直接点击单元格来更改数据，也可以使用快捷键“Ctrl + E”来打开“编辑数据”对话框，进行批量修改。

如果需要添加或删除数据列和行，可以使用菜单栏中的“编辑” -> “插入列”或“删除列”，以及“编辑” -> “插入行”或“删除行”等功能。

2.2.3 数据集的导入导出技巧

在实际应用中，可能会涉及到从外部文件导入数据到MINITAB，或者将MINITAB中的数据导出到外部文件。MINITAB支持多种数据格式，包括文本文件、Excel文件、SPSS数据文件等。

数据导入通常通过“文件” -> “打开” -> “数据”来完成，MINITAB提供了向导帮助用户完成导入过程。导出数据则可以通过“文件” -> “保存”或“另存为”来实现，选择合适的文件类型即可。

为了确保数据导入导出的准确性和效率，用户可以先在其他软件中验证数据格式，再进行操作。同时，了解一些常见的数据问题（比如不一致的分隔符）也对成功导入导出数据非常有帮助。

### 示例代码块

*此部分提供一个数据导入导出的简单示例，包括操作步骤和代码逻辑分析。*

#### 步骤1：将Excel数据导入MINITAB

1. 打开MINITAB。
2. 选择菜单栏中的“文件” -> “打开” -> “数据...”。
3. 在弹出的对话框中选择“Microsoft Excel(*.xlsx, *.xls)”，并选择需要导入的文件。
4. 点击“打开”按钮，按照向导步骤导入数据。

#### 步骤2：将MINITAB中的数据导出到CSV

1. 在MINITAB中，完成所需的数据分析和处理。
2. 选择菜单栏中的“文件” -> “另存为...” -> “文本(*.txt)...”。
3. 在弹出的对话框中设置保存类型为“CSV(逗号分隔)”。
4. 指定文件名和保存位置，点击“保存”按钮完成导出。

以上是MINITAB用户界面的简介，掌握了这些基础知识，用户便能够顺利地进行基本操作。接下来的章节会进一步介绍数据管理、统计分析等高级功能，为深入使用MINITAB打下坚实基础。

3. 数据管理操作指南

3.1 数据的基本操作

3.1.1 数据集的创建和命名

在使用MINITAB进行数据分析之前，首先需要创建和命名数据集。数据集是包含数据的表格，每一列代表一个变量，每一行代表一个观察。在MINITAB中创建数据集有以下步骤：

打开MINITAB软件。
选择“文件”菜单中的“新建”选项来创建一个新的数据表。
在新数据表中输入列标题，每列标题对应一个变量名。
输入实际的数据值，填充整个数据表。

为了更好地管理数据，合理命名数据集是非常重要的。合理的命名方式可以帮助用户快速识别数据集所包含的信息。命名规则通常如下：

使用有意义的名称，可以体现出数据集的主要内容。
避免使用特殊字符，最好使用英文和数字的组合。
确保数据集名称在项目中是唯一的。

通过以下代码块我们可以展示如何在MINITAB中创建和命名数据集：

// 创建一个名为“MyDataset”的新数据集
> Name C1 "MyDataset"

3.1.2 数据的排序和筛选

在数据处理过程中，经常需要对数据进行排序和筛选以达到特定的分析目的。在MINITAB中，可以通过以下步骤进行数据排序和筛选：

在数据表中选择需要排序或筛选的列。
点击“数据”菜单，选择“排序”或“筛选”命令。
在排序对话框中，选择排序依据的列和排序的方式（升序或降序）。
在筛选对话框中，定义筛选条件，并选择要显示的行。

例如，如果我们想要按照某个变量的值对数据进行排序，我们可以使用以下MINITAB指令：

// 对变量C1的数据进行升序排序
> Sort C1

排序和筛选可以有效地帮助我们找到需要的数据子集，便于进行后续的数据分析。

3.1.3 缺失数据的处理方法

在实际数据分析过程中，数据集中的缺失值是常见问题。处理缺失数据的方法有很多，其中一种是在MINITAB中进行数据插补。

选择“数据”菜单中的“缺失数据”选项。
选择“编辑”来输入缺失值。
选择“插补”来对缺失数据进行处理。

MINITAB提供了多种插补方法，例如线性插补、多项式插补等。具体使用哪种方法取决于数据的特点和分析要求。下面给出一个简单的例子说明如何使用MINITAB进行数据插补：

// 假设C1列中含有缺失值，我们使用C2列的值进行插补
> Impute C1 with C2

数据插补是一个复杂的问题，合理的插补方法应根据数据集特性和分析目的选择，以避免引入偏差。

3.2 数据转换与统计

3.2.1 变量的转换和重新编码

数据转换是数据分析的重要步骤，它可以帮助我们更好地满足统计分析的假设条件，或者改变变量的尺度以符合模型的需要。

在数据表中选择需要转换的变量列。
点击“数据”菜单，选择“转换”命令。
选择适当的转换方法，如对数转换、平方根转换等。

通过变量转换，可以将数据转换为更适合分析的形式。例如，对于偏态分布的数据，我们通常通过对数转换使其接近正态分布。

// 对变量C1应用对数转换
> Transform Log C1

3.2.2 数据的汇总和描述统计

数据的汇总和描述统计是分析数据的基础，它可以帮助我们了解数据集的分布特征。在MINITAB中，可以利用“统计”菜单来完成这些任务。

选择“统计”菜单中的“汇总统计”选项。
在“汇总统计”对话框中选择要分析的变量。
选择输出的统计量类型，如均值、标准差、四分位数等。

下面是一个汇总统计的简单例子：

// 对变量C1进行描述性统计分析
> Stat Basic Statistics Describe C1

描述统计的输出结果能够提供数据集的直观描述，如均值、中位数、最小值、最大值等。

3.2.3 数据集的合并和分割操作

在处理多个数据集时，合并和分割是常用的数据操作方法。合并是将两个或多个数据集整合到一个数据集中；分割则是将一个数据集拆分为两个或多个不同的数据集。

合并数据集：
选择“数据”菜单中的“合并”命令。
选择基础数据集和要合并的数据集。
指定合并依据的键值。
分割数据集：
选择“数据”菜单中的“分割数据集”命令。
选择要分割的列。
指定分割的条件，如分组依据。

// 假设我们有两个数据集MyDataset1和MyDataset2，我们想合并它们
// 合并MyDataset1和MyDataset2为一个新的数据集
> Merge MyDataset1 MyDataset2

数据集的合并和分割有助于我们对数据进行更细致的处理和分析，以适应不同的分析需求。

在本章节中，我们详细介绍了数据管理操作指南的核心部分，包括数据的基本操作、数据转换与统计。内容的连贯性和细节深入程度旨在为IT行业和相关领域的专业人士提供实用且精确的操作方法和分析思路。在下一章节，我们将继续深入了解MINITAB在基本统计分析方法中的应用与技巧。

4. 基本统计分析方法

4.1 描述性统计分析

4.1.1 基本统计量的计算

描述性统计分析是数据科学和统计学中的基础概念，它涉及到对数据集进行初步的探索以获得数据特征的概括性描述。在MINITAB中，基本统计量的计算可以通过“统计”菜单下的“基本统计量”选项来实现。这一功能允许用户计算均值、中位数、标准差、最小值和最大值等基本统计量，进而对数据集的中心趋势、离散程度和分布形态有一个直观的了解。

通过使用以下代码块，我们可以展示如何在MINITAB中进行基本统计量的计算：

STAT > BASELINE > DESCRIPTIVE STATISTICS...

在这个对话框中，用户需要选择对应的数据列，并且选择需要计算的统计量。选择完毕后，MINITAB会输出一个包含这些统计量的结果表格。

4.1.2 数据分布的图形展示

图形展示是描述性统计分析中的重要组成部分，它可以帮助我们更直观地理解数据的分布特征。在MINITAB中，我们可以使用“图形”菜单下的“分布图”选项来创建直方图、箱线图等来展示数据的分布情况。

例如，创建一个直方图的步骤如下：

GRAPH > HISTOGRAM...

在弹出的对话框中选择相应的数据列，并设置适当的组数和间隔，MINITAB将生成数据的直方图。

4.1.3 正态性检验和异常值分析

在进行描述性统计分析时，检验数据是否服从正态分布是非常重要的步骤，因为很多统计分析方法都是建立在数据服从正态分布的基础上的。MINITAB提供了一系列正态性检验的方法，包括Shapiro-Wilk检验和Kolmogorov-Smirnov检验。

异常值分析是指识别出那些与数据集中的其他观测值显著不同的数据点。MINITAB中的箱线图可以直观地显示出异常值，或者使用“统计”菜单下的“异常值”分析选项来更深入地探究潜在的异常值。

4.2 假设检验基础

4.2.1 常用的假设检验类型

在统计学中，假设检验是用来检验某个假设是否成立的方法。常用的假设检验类型包括t检验、卡方检验、ANOVA（方差分析）等。这些检验方法在MINITAB中都有相应的实现方式，用户可以根据自己的数据特性和研究目的选择合适的检验方法。

以t检验为例，在MINITAB中进行t检验的步骤如下：

STAT > T-TEST...

在这个对话框中，用户需要指定检验的类型（单样本、独立样本或配对样本），输入数据列，并设置显著性水平（例如α = 0.05）。之后，MINITAB会输出t检验的结果，包括t统计量、P值等关键信息。

4.2.2 P值和显著性水平的解释

P值是指在零假设为真的条件下，观察到当前统计量或更极端情况的概率。在假设检验中，P值通常用来作为拒绝零假设的依据。如果P值小于显著性水平（如0.05），则通常拒绝零假设；反之，则不能拒绝零假设。

在MINITAB的假设检验输出结果中，P值会清晰地被标识出来，用户需要根据这一信息来决定是否拒绝零假设。

4.2.3 检验结果的正确解读

解读假设检验的结果需要谨慎，因为检验的结论可能受到诸如样本量大小、数据分布形态、变量间关系复杂度等因素的影响。因此，正确解读检验结果不仅需要对统计学原理有深入的理解，还需要对数据集的具体特征有充分的认识。

在MINITAB中，除了P值之外，还会提供置信区间、效应量等信息，这些数据可以作为辅助信息帮助我们更准确地解读检验结果。例如，一个统计量的95%置信区间不包含零，这可能是拒绝零假设的一个重要依据。

通过以上章节，我们深入理解了在MINITAB中进行基本统计分析和假设检验的步骤、方法和注意事项，为后续的高级分析和质量控制打下了坚实的基础。

5. 高效的图形制作技巧

图形作为数据分析中可视化表达的一种手段，对于揭示数据特征、传达分析结果具有不可替代的作用。在本章中，我们将深入探讨如何使用MINITAB创建和定制高效的统计图形。我们将首先介绍创建常用统计图形的基本方法，然后进一步讲述如何对这些图形进行高级定制，以达到最佳的信息展示效果。

5.1 常用统计图形的创建

统计图形的种类繁多，每种图形都适用于展示数据集的不同特征和属性。我们将逐一介绍几种最常见的统计图形：条形图、饼图、直方图、箱线图、散点图和折线图，并探讨它们在数据分析中的应用。

5.1.1 条形图和饼图的应用

条形图和饼图都是用来展示分类数据频率分布的有效工具。条形图通过不同长度的条形来表示各类别的频率大小，而饼图则通过扇形区域的比例来表示。在MINITAB中，创建这两种图形的操作步骤大致相同，但所呈现的视觉效果和适用场景有所区别。

条形图在比较多个分类变量的分布时尤其有用，可以是水平或垂直排列，而饼图更适合展示整体和部分之间的关系。

5.1.2 直方图和箱线图的区别

直方图是一种展示数据分布频率的图形，通过将数据分组为区间（bins），然后绘制每个区间的频数或频率，以条形的形式直观地表达数据的分布特征。而箱线图则用五个统计量（最小值、第一四分位数、中位数、第三四分位数和最大值）来描述数据集的分布情况。

在MINITAB中，创建直方图和箱线图的步骤略有不同，但都是在"统计"菜单中选择对应的图形选项。直方图对于理解数据的形状和离群点非常有用，箱线图则能够快速识别数据集的中心位置、离散程度和异常值。

5.1.3 散点图和折线图的选择

散点图是展示两个连续变量间关系的有力工具，常用于研究变量间的相关性和趋势。折线图则适合展示数据随时间或其他有序分类变量变化的趋势。在MINITAB中，创建散点图和折线图的方法略有不同，但都能通过"图表"菜单中的子选项进行操作。

在选择使用散点图还是折线图时，需要根据数据的特性以及你想展示的关系来决定。如果数据点之间的顺序无关紧要，则应选择散点图；若数据点之间有明确的顺序关系，则应选择折线图。

5.2 图形的高级定制

一旦创建了基本的统计图形，接下来就可以进行高级定制来改善视觉呈现，并使图形更好地传达分析结果。我们将探讨图形属性的修改、图例、标题和脚注的添加，以及多图形组合展示技巧。

5.2.1 图形属性的修改和美化

在MINITAB中，你可以通过选择"图形"菜单下的"属性"选项来修改图形的颜色、字体、线型等属性。这些定制有助于提升图形的可读性和美观程度，特别是在报告或演示中。

例如，调整坐标轴标签的字体大小和颜色，可以提高标签的可读性；改变数据点的形状和颜色，可以突出不同分类的数据点。

5.2.2 图形的图例、标题和脚注添加

图例帮助解释图形中的符号和颜色，标题则清晰地说明图形所表达的信息。脚注则可以用来提供额外的数据源信息、分析方法或图表的创建日期等。在MINITAB中，这些元素都可以通过图形编辑器进行添加和自定义。

对于标题和脚注，建议保持简洁明了，直接表达图形所要传达的核心信息。对于图例，要确保其清晰可读，避免颜色或符号混淆。

5.2.3 多图形组合展示技巧

有时，单个图形无法全面展示复杂的数据分析结果。这时，可以将多个图形组合在一个画布上进行展示。在MINITAB中，你可以使用"组合图形"工具来实现这一点，它允许你将不同类型的图形叠加或并排展示，甚至可以设置一个统一的坐标轴，以便于比较。

组合图形在对比不同数据集的统计量、展示不同分析方法的结果或是展示多变量间的相关性时非常有用。

示例代码块和逻辑分析

以下是在MINITAB中创建条形图的示例代码块及其逻辑分析：

MTB > Graph > Bar Chart...

选择所需变量后，设置好条形图的样式和选项，点击确定即可生成图形。

MTB > Graph > Histogram...

这将打开一个对话框，用于设置直方图的相关参数，如数据区间、图形标题等。

MTB > Graph > Scatterplot...

在散点图对话框中，选定X轴和Y轴变量，设置图形选项如拟合线、数据点样式等，然后生成散点图。

以上代码块中，我们通过简单的命令调用，在MINITAB中分别创建了条形图、直方图和散点图。每一步操作都需要进行逻辑分析，确保生成的图形符合分析目标和数据展示需求。

表格、mermaid格式流程图和代码块的展示

接下来，我们用表格展示条形图、直方图、散点图在不同数据类型和分析目的下的适用性。

| 数据类型 | 条形图 | 直方图 | 散点图 | |----------|--------|--------|--------| | 分类数据 | 适用 | 不适用 | 不适用 | | 连续数据 | 不适用 | 适用 | 适用 |

然后，使用mermaid流程图来表示创建条形图的步骤：

graph LR
    A[选择条形图选项] --> B[设置变量]
    B --> C[选择图形样式]
    C --> D[生成条形图]

最后，给出直方图创建的代码块示例，并附上详细解释：

MTB > Graph > Histogram...

在"图形"菜单中选择"直方图"，然后指定要分析的变量，并根据需要设置直方图的具体参数，如分组的数量、分组宽度等。完成设置后，点击"确定"生成直方图。

总结

图形制作是数据可视化的基础，通过本章的详细介绍，我们学习了如何在MINITAB中高效地创建和定制常用的统计图形。接下来，我们将进一步探索图形如何在质量控制流程中发挥作用，使我们能够更好地理解和控制生产过程。

6. 质量控制流程

6.1 质量控制图的应用

6.1.1 控制图的种类和选择

在质量控制领域，控制图是一种统计工具，用于监控过程的稳定性。它通过图形显示过程输出的变动情况，并帮助识别这些变动是否仅来自普通原因，还是存在特殊原因。控制图的种类繁多，常见的有X̅-R图（均值-极差图）、X̅-S图（均值-标准差图）、P图（属性控制图）、NP图、C图、U图等。在选择合适的控制图时，需要考虑数据类型和收集方式。

连续数据 ：X̅-R图和X̅-S图适用于连续数据的监控，其中X̅代表样本均值，R代表样本极差，S代表样本标准差。
计数数据 ：P图和NP图适用于二项分布的计数数据，P图监控比例，而NP图监控不合格数。
计件数据 ：C图和U图适用于计件数据的监控，C图监控缺陷数，而U图监控单位缺陷数。

6.1.2 过程稳定性分析

过程稳定性分析是质量控制中不可或缺的部分，旨在通过控制图来判断过程是否仅由普通原因引起变异。如果过程是稳定的，那么所有数据点应该随机分布，不超出控制限。控制限通常设置为±3个标准差，位于上下限之外的数据点可能指示特殊原因。

要进行过程稳定性分析，可以采用以下步骤：

收集数据：连续收集一定数量的样本数据。
绘制控制图：使用MINITAB等统计软件将数据绘制到控制图中。
分析控制图：通过观察数据点是否超出控制限来分析过程稳定性。

6.1.3 异常点的识别和处理

异常点的识别是通过分析控制图中的模式来完成的。MINITAB可以帮助识别七种标准模式（即7点规则），其中任何一种模式的出现都可能表明过程失控。异常点的处理包括：

调查原因：对出现异常点的过程进行彻底的调查，找出特殊原因。
采取措施：根据调查结果采取相应的纠正措施。
更新控制图：当过程经过调整后，需要重新收集数据并更新控制图。

6.1.4 示例代码：创建X̅-R控制图

以下是使用MINITAB软件创建X̅-R控制图的示例代码：

MTB > Control Chart > Variables Charts for Subgroups > Xbar-R
MTB > Enter columns of data to be analyzed or specify a subgroup size > C1-C2
MTB > OK

在上述代码中， C1 和 C2 表示子组中的样本均值和极差的数据列。执行此代码后，MINITAB将生成X̅-R控制图，并在图形窗口中显示。

6.2 质量改进流程

6.2.1 持续改进的概念和工具

持续改进是不断改进过程和产品的实践活动，其核心是PDCA（计划-执行-检查-行动）循环。在质量控制中，常用的改进工具包括5S（整理、整顿、清扫、清洁、素养）、六西格玛（DMAIC方法论）、鱼骨图（因果图）等。

6.2.2 问题解决的步骤和方法

解决问题的步骤通常遵循以下模式：

问题定义：明确问题是什么。
数据收集：收集相关数据。
根本原因分析：使用工具如鱼骨图和5 Why分析找到问题的根本原因。
解决方案制定：针对根本原因制定解决方案。
实施和验证：实施解决方案并验证效果。

6.2.3 改进措施的跟踪和评估

一旦实施了改进措施，就需要跟踪其效果，并进行评估。评估可以通过比较改进前后的数据来完成，同时还需要考虑措施的长期影响。在MINITAB中，可以通过统计分析工具来帮助评估改进措施的效果。

MTB > Stat > Quality Tools > Run Chart

运行该命令后，用户可以输入改进前后的数据列，并生成运行图来直观地观察改进效果。

7. 回归分析与预测模型

在数据分析和统计建模的领域，回归分析是一种核心的工具，用于研究两个或多个变量之间的关系。本章将深入探讨回归分析的各种类型，包括线性回归、多元回归以及非线性回归，并介绍如何在MINITAB中构建这些模型，以及如何进行模型的优化和预测。

7.1 线性回归分析

线性回归是最简单且常用的一种回归分析方法，主要用于预测一个因变量和一个或多个自变量之间的线性关系。

7.1.1 线性回归模型的构建

在MINITAB中构建线性回归模型的基本步骤如下：

打开MINITAB，并加载包含所需数据的数据集。
转到“统计”菜单，选择“回归”然后点击“拟合线性模型”。
在弹出的对话框中指定响应变量（因变量）和预测变量（自变量）。
点击“图表”按钮，选择残差和预测值的图形展示，有助于检验模型的假设。
点击“确定”开始拟合模型。

7.1.2 回归系数的解释和检验

一旦模型构建完成，MINITAB将输出一系列的统计结果，包括回归系数、R-sq（决定系数）和p值。对于每个自变量的回归系数，我们可以通过其值来判断该变量对因变量的影响程度和方向。p值用于检验回归系数是否统计显著。

例如，我们可能看到如下输出：

回归方程为:
Y = 10.2 + 2.1X1 - 3.4X2

系数          标准误差    t值       p值
常数项  **.***.***.*        <0.001
X***.***.***.*        <0.001
X2      -3.4     0.6        -5.7       <0.001