摇 摇
对回归方程进行方差分析和显著性检验
,
结果
见表
3。
由表
3
可知
,
该回归模型极显著
(
P
<
0郾 01),
失拟项不显著
(
P
> 0郾 05),
说明该模型有较
图
5摇
温度
、
时间和加酶量等因素对大豆肽水解度的交互影响
Fig. 5摇 Response surface plots showing interactive effect of temperature,hydrolysis
time and enzyme dosage on DH of soybean peptides
表
3摇
回归模型的方差分析
Tab. 3摇 Analysis of variance for fitted regression model
方差源 系数估计 标准差 平方和 均方
F
值
P
值
Model
76郾 38 8郾 49 30郾 69 < 0郾 000 1
**
X
1
2郾 23 0郾 24 39郾 69 39郾 69 143郾 54 < 0郾 000 1
**
X
2
0郾 90 0郾 19 6郾 41 6郾 41 23郾 17 0郾 001 9
**
X
3
0郾 60 0郾 19 2郾 86 2郾 86 10郾 33 0郾 014 8
*
X
1
X
2
- 0郾 045 0郾 19 0郾 008 1 0郾 008 1 0郾 029 0郾 869 0
X
1
X
3
0郾 16 0郾 26 0郾 10 0郾 1 0郾 37 0郾 562 1
X
2
X
3
0郾 49 0郾 26 0郾 94 0郾 94 3郾 40 0郾 107 6
X
2 1
- 2郾 28 0郾 26 21郾 87 21郾 87 79郾 08 < 0郾 000 1
**
X
2 2
- 0郾 71 0郾 26 2郾 12 2郾 12 7郾 65 0郾 027 8
*
X
2 3
- 0郾 45 0郾 26 0郾 85 0郾 85 3郾 07 0郾 123 2
失拟项
0郾 85 0郾 28 1郾 04 0郾 466 3
摇 摇 *
表示在
95%
置信区间内显著
;**
表示在
99%
置信区间内显
著
好的拟合度
。
模型一次项中
X
1
与
X
2
影响极显著
(
P
< 0郾 01),
X
3
影响显著
(
P
< 0郾 05);
二次项中
,
X
1
影响
极显著
(
P
< 0郾 01),
X
2
影响显著
(
P
< 0郾 05),
X
3
不显
著
(
P
> 0郾 05);
交互项均不显著
(
P
> 0郾 05)。
模型
的决定系数
R
2
= 0郾 975 3,
表明响应值的变化有
97郾 53%
来源于所选变量
,
这说明该模型能很好地反
应水解温度
、
时间和加酶量对水解度的影响
,
能够准
确描述与预测大豆蛋白的酶解过程
。
摇 摇
利用
Design Expert 8郾 0
软件绘制出的响应面图
可以更直观地描述
X
1
、
X
2
和
X
3
等
3
个因素对水解度
的影响
,
结果如图
5。
通过响应面图可以对各因素
的交互影响进行分析与评价
,
预测水解度的最大值
,
并确定各因素的最佳水平
。
模型预测的各因素最佳
水平的编码值分别为
X
1
= 0郾 32,
X
2
= 0郾 21,
X
3
=
0郾 38,
与其相对应的真实值分别为时间
7郾 27 h、
温度
65郾 19 益、
加酶量
54郾 63 g / L。
在此最优条件下
,
模
型预测的水解度最大值为
17郾 39% 。
为验证模型预
测结果的准确性
,
在圆整条件下进行了
3
次验证实
验
,
即
:
水解时间
7 h、
温度
65 益、
加酶量
50 g / L。
水
45
食品科学技术学报
摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇
摇 2015
年
11
月
