Interpretieren der wichtigsten Ergebnisse für Orthogonale Regression

Führen Sie die folgenden Schritte aus, um eine orthogonale Regressionsanalyse zu interpretieren. Zu den wichtigsten Ergebnissen gehören die Konfidenzintervalle für die Koeffizienten, die Darstellung der Anpassungslinie und die Residuendiagramme.

Schritt 1: Bestimmen, ob sich die Messwerte von zwei Instrumenten oder Methoden unterscheiden

Die orthogonale Regression findet häufig Anwendung in der klinischen Chemie und in Laboreinrichtungen, wenn festgestellt werden soll, ob zwei Instrumente oder zwei Methoden vergleichbare Messwerte liefern. Wenn das Konfidenzintervall für den konstanten Term 0 und das Intervall für den linearen Term 1 enthält, können Sie in der Regel schlussfolgern, dass die mit den zwei Instrumenten gewonnenen Messwerte vergleichbar sind.

Sie sollten außerdem das Diagramm mit der Anpassungslinie untersuchen, um zu ermitteln, wie gut das Modell an die Daten angepasst ist.

Orthogonale Regressionsanalyse: Neu vs. Aktuell

Fehlervarianzverhältnis (Neu/Aktuell): 0,9

Regressionsgleichung Neu = 0,644 + 0,995 Aktuell
Koeffizienten Prädiktor Koef SE Koef z p Approx. 95%-KI Konstante 0,64441 1,74470 0,3694 0,712 (-2,77513; 4,06395) Aktuell 0,99542 0,01415 70,3461 0,000 ( 0,96769; 1,02315)
Fehlervarianzen Variable Varianz Neu 1,07856 Aktuell 1,19840
Wichtigstes Ergebnis: Approx. 95%-KI

In diesen Ergebnissen beträgt das Konfidenzintervall für den konstanten Term ungefähr (–3; 4). Da das Intervall den Wert 0 enthält, liefert dieser Teil der Analyse keine Hinweise darauf, dass sich die Messwerte der beiden Instrumente unterscheiden.

Das Konfidenzintervall für den linearen Term beträgt ungefähr (0,97; 1,02). Da das Intervall den Wert 1 enthält, liefert dieser Teil der Analyse keine Hinweise darauf, dass sich die Messwerte der beiden Instrumente unterscheiden.

Da keines der Intervalle Hinweise darauf liefert, dass sich die Messwerte der beiden Instrumente unterscheiden, schlussfolgern Sie in der Regel, dass die Messwerte vergleichbar sind. Sie sollten sich auch vergewissern, dass das Modell gut an die Daten angepasst ist, indem Sie das Diagramm mit der Anpassungslinie und die Residuendiagramme untersuchen.

Schritt 2: Bestimmen, ob die Regressionslinie an Ihre Daten angepasst ist

Verwenden Sie das Diagramm und die Anpassungslinie, um zu beurteilen, ob die Gleichung für die orthogonale Regression eine gute Anpassung an die Daten bietet. Wenn das Modell an die Daten angepasst ist, liegen die Punkte dicht an der Regressionslinie. Sie können das Diagramm mit der Anpassungslinie insbesondere auf folgende Kriterien untersuchen:
  • Die Stichprobe enthält eine angemessene Anzahl von Beobachtungen über die gesamte Spannweite aller Prädiktorwerte.
  • Die Stichprobe enthält keine Krümmung, an die das Modell nicht angepasst ist.
  • Die Stichprobe enthält keine Ausreißer, die sich stark auf die Ergebnisse auswirken können. Versuchen Sie, die Ursache für alle Ausreißer zu identifizieren. Korrigieren Sie alle erkennbaren Dateneingabe- oder Messfehler. Erwägen Sie, Datenwerte zu entfernen, die auf ungewöhnliche, einmalige Ereignisse (Ausnahmebedingungen) zurückzuführen sind. Wiederholen Sie anschließend die Analyse.

Dieses Diagramm zeigt ein Beispiel für Messwerte von zwei Instrumenten oder Methoden, die vergleichbar sind. Die Punkte folgen der angepassten Linie mit minimaler Streuung und ohne ein Muster, das systematische Differenzen zwischen den Methoden erkennen ließe.

In den nachfolgenden Ergebnissen liefern die Konfidenzintervalle der Koeffizienten keine Hinweise darauf, dass sich die Messwerte der beiden Instrumente unterscheiden. Das Diagramm zeigt jedoch, dass einige Punkte nicht dicht an der Linie liegen, was darauf hinweist, dass die Messwerte der beiden Instrumente nicht vergleichbar sind. Da die Daten nicht zur Gleichung passen, wird in der Regel geschlussfolgert, dass sich die Instrumente unterscheiden.

Orthogonale Regressionsanalyse: Aktuell vs. Neu

Koeffizienten Prädiktor Koef SE Koef z p Approx. 95%-KI Konstante -0,00000 0,215424 -0,0000 1,000 (-0,422224; 0,42222) Neu 1,00000 0,517586 1,9320 0,053 (-0,014450; 2,01445)
Durch Ihre Nutzung dieser Website stimmen Sie zu, dass Cookies verwendet werden. Cookies dienen zu Analysezwecken und zum Bereitstellen personalisierter Inhalte.  Lesen Sie unsere Richtlinien