消耗自由度说法是什么意思

自由度
数据提供的信息量，您可以“消耗”这些数据来评估未知总体参数的值，并计算这些估计值的变异性。自由度受样本大小和模型中的参数个数影响。增大样本大小可提供有关总体的更多信息，因此也会增大数据中存在的自由度。向模型中添加参数（例如，通过增加回归方程中的项数）可以“消耗”数据中的信息，并降低可用于评估参数估计值变异性的自由度。

例如，单样本 t 检验仅估计一个参数：总体平均值。样本大小 n 组成了 n 种用于估计总体平均值及其变异性的信息。消耗一个自由度来估计平均值，其余 n-1 个自由度用于估计变异性。因此，单样本 t 检验使用自由度为 n-1 的 t 分布。

相反，多元回归必须针对选择要在模型中包括的每一项估计参数，每一项都会消耗一个自由度。因此，在多元回归模型中包括过多的项会降低可用于估计参数变异性的自由度，而且会降低其可靠性。

自由度还用于表现特定分布的特征。例如，许多分布系列（例如，t、F 和卡方）使用自由度来指定哪种特定的 t、F 或卡方分布适合于不同的样本大小和不同数目的模型参数。例如，此表描述了自由度不同的卡方分布之间的差异。
以上摘自minitab幫助。