顶顶顶

回归分析中安排重复试验的目的是在于弄清影响Y 的因素除X 外，是否还有不可忽视的其他因素。
如果除X 的影响外，还有其他未控制的，不可忽视的影响因素掺杂（包括交互作用），则此回归方程
的拟合效果不能算是好的，称为失拟。
       此时，即使假设检验的结果是“回归方程有显著性”，仅能说明X对Y 有影响，并不能表明拟合的很好。
       因此，对于包含重复试验数据的资料，则可以通过对期望函数进行失拟检验来实现。
       失拟检验是一种用来判断回归模型是否可以接受的检验。
       判断模型好坏主要通过残差分析，而残差是由两部分组成的； 一部分是随机的，即使模型拟合得再好，
它也消除不了，称为随机误差或纯误差；另一部分与模型有关,模型合适，这部分的值就小，模型不合适，
这部分的值就大，称为失拟误差。
       失拟检验就是以失拟误差对纯误差的相对大小来作判断的：如果失拟误差显著地大于纯误差，那么就
放弃模型；如果并不显著地大于纯误差，那么就可以保留该模型。

如果没错的话，你看的参考书上失拟检验的 F值为：282.053/448.055=0.630
P（Sig.）=0.884

sas jmp中对失拟检验的一点资料:供参考
SAS JMP中,“失拟合”表给出了一个特殊的诊断检验，并且只有在数据和模型适宜时才出现。其原理为有时可以在不管模型形式是否正确的情况下估计误差方差。如果观测值对于变量 X 而言彼此完全重复，就会出现这种情况。可将这些完全重复值测量的误差称为纯误差。不管模型使用的是什么样的 X 变量形式，都无法解释或预测的样本误差的全部。但是，如果自由度很少，即很少重复的 x 值，则失拟合检验可能用处不大。
模型残差和纯误差之间的差称为失拟合误差。如果某些回归量的函数形式错误，或方差分析模型中交互作用效应太少，失拟合误差可显著大于纯误差。这种情况下，应考虑添加交互作用项（如果需要），或尝试较好地获取回归量的函数形式。
没有失拟合检验的情况通常有以下两种：
相对于 X 数据没有完全重复点，因此纯误差没有自由度。
模型达到饱和，意味着该模型本身的每个不同 x 值都有一个自由度，因此失拟合没有自由度。

附一图：