Tabla Desviación para Ajustar modelo de Poisson

Encuentre definiciones y ayuda para interpretar cada estadístico incluido en la tabla Desviación.

GL

El total de grados de libertad (GL) es la cantidad de información en los datos. El análisis utiliza esa información para estimar los valores de parámetros de población desconocidos. El total de GL es 1 menos que el número de filas en los datos. Los GL de un término muestran qué tanta información usa ese término. Al aumentar el número de términos en el modelo, se utiliza más información, con lo cual se reducen los GL para el error. Los GL para el error son la información disponible para estimar los parámetros.

Desv. ajust.

Las desviaciones ajustadas son medidas de la variación para los diferentes componentes del modelo. El orden de los predictores en el modelo no afecta el cálculo de las desviaciones ajustadas. En la tabla Desviación, Minitab separa la desviación en diferentes componentes que describen la desviación de las diferentes fuentes.

Regresión
La desviación ajustada para el modelo de regresión cuantifica la diferencia entre el modelo actual y el modelo completo.
Término
La desviación ajustada para un término cuantifica la diferencia entre un modelo con ese término y el modelo completo.
Error
La desviación ajustada para el error cuantifica la desviación que el modelo no explica.
Total
La desviación ajustada total es la suma de la desviación ajustada para el modelo y la desviación ajustada para el error. La desviación ajustada total cuantifica la desviación total en los datos.

Interpretación

Minitab utiliza las desviaciones ajustadas para calcular el valor p de un término. Minitab también utiliza las desviaciones ajustadas para calcular el estadístico R2 de desviación. Por lo general, usted interpreta los valores p y el estadístico R2 en lugar de las desviaciones.

Media ajust.

La desviación media ajustada mide la cantidad de desviación que un término o modelo explica por cada grado de libertad. El cálculo de la desviación media ajustada para cada término presupone que todos los demás términos están en el modelo.

Interpretación

Minitab utiliza la desviación media ajustada para calcular el valor p de un término. Por lo general, usted interpreta los valores p en lugar de los mínimos cuadrados ajustados.

Desv. sec.

La desviación secuencial mide la desviación para los diferentes componentes del modelo. A diferencia de la desviaicón ajustada, la desviación secuencial depende del orden en que los términos entran al modelo. En la tabla Desviación, Minitab separa la desviación secuencial en diferentes componentes que describen la desviación de las diferentes fuentes.
Regresión
La desviación secuencial para el modelo de regresión cuantifica la diferencia entre el modelo actual y el modelo completo.
Término
La desviación secuencial para un término cuantifica la diferencia entre un modelo con ese término y el modelo completo.
Error
La desviación secuencial para el error cuantifica la desviación que el modelo no explica.
Total
La desviación secuencial total es la suma de la desviación secuencial para el modelo y la desviación secuencial para el error. La desviación secuencial total cuantifica la desviación total en los datos.

Interpretación

Cuando usted especifica el uso de la desviación secuencial para las pruebas, Minitab utiliza la desviación secuencial para calcular los valores p para el modelo de regresión y los términos individuales. Por lo general, usted interpreta los valores p en lugar de la desviaicón secuencial.

Media sec.

La desviación media secuencial mide la cantidad de desviación que un término o modelo explica por cada grado de libertad. El cálculo de desviación media secuencial depende del orden en que los términos entran al modelo.

Interpretación

Minitab utiliza la desviación media secuencial para calcular el valor p de un término. Por lo general, usted interpreta los valores p en lugar de los mínimos cuadrados secuenciales.

Contribución

La contribución muestra el porcentaje que cada fuente incluida en la tabla Desviación aporta a la desviación secuencial total.

Interpretación

Los porcentajes más altos indican que la fuente representa una mayor parte de la desviación en la variable de respuesta. La contribución porcentual para el modelo de regresión es igual al R2 de desviación.

Chi-cuadrada

Cada término incluido en la tabla Desviación tiene un valor de chi-cuadrada para la prueba de relación de probabilidades. El valor de chi-cuadrada es el estadístico de prueba que determina si un término o modelo tiene asociación con la respuesta.

Interpretación

Minitab utiliza el estadístico de chi-cuadrada para calcular el valor p, que se usa para tomar una decisión acerca de la significancia estadística de los términos y el modelo. El valor p es una probabilidad que mide la evidencia en contra de la hipótesis nula. Las probabilidades más bajas proporcionan una evidencia más fuerte en contra de la hipótesis nula. Un estadístico de chi-cuadrada lo suficientemente grande da como resultado un valor p pequeño, lo que indica que el término o el modelo es estadísticamente significativo.

Valor p – Regresión

El valor p es una probabilidad que mide la evidencia en contra de la hipótesis nula. Las probabilidades más bajas proporcionan una evidencia más fuerte en contra de la hipótesis nula.

Interpretación

Para determinar si los datos proporcionan evidencia de que por lo menos uno de los coeficientes del modelo de regresión es diferente de 0, compare el valor p de la regresión con el nivel de significancia para evaluar la hipótesis nula. La hipótesis nula para el valor p de la regresión es que todos los coeficientes de los términos incluidos en el modelo de regresión son 0. Por lo general, un nivel de significancia (denotado como α o alfa) de 0.05 funciona adecuadamente. Un nivel de significancia de 0.05 indica un riesgo de 5% de concluir que por lo menos un coeficiente es diferente de 0 cuando todos los coeficientes son 0.
Valor p ≤ α: Por lo menos un coeficiente es diferente de 0
Si el valor p es menor que o igual al nivel de significancia, usted puede concluir que por lo menos un coeficiente es diferente de 0.
Valor p > α: No existe suficiente evidencia para concluir que por lo menos un coeficiente es diferente de 0.
Si el valor p es mayor que el nivel de significancia, usted no puede concluir que por lo menos un coeficiente es diferente de 0. Convendría que ajuste un nuevo modelo.

Las pruebas en la tabla Desviación son pruebas de relación de probabilidad. La prueba en la muestra expandida de la tabla Coeficientes son pruebas de aproximación de Wald. Las pruebas de relación de probabilidad son más exactas para las muestras pequeñas que las pruebas de aproximación de Wald.

Valor p – Término

El valor p es una probabilidad que mide la evidencia en contra de la hipótesis nula. Las probabilidades más bajas proporcionan una evidencia más fuerte en contra de la hipótesis nula.

Interpretación

Para determinar si la asociación entre la respuesta y cada término incluido en el modelo es estadísticamente significativa, compare el valor p del término con el nivel de significancia para evaluar la hipótesis nula. La hipótesis nula es que no hay asociación entre el término y la respuesta. Por lo general, un nivel de significancia (denotado como α o alfa) de 0.05 funciona adecuadamente. Un nivel de significancia de 0.05 indica un riesgo de 5% de concluir que existe una asociación cuando no hay una asociación real.
Valor p ≤ α: La asociación es estadísticamente significativa
Si el valor p es menor que o igual al nivel de significancia, usted puede concluir que hay una asociación estadísticamente significativa entre la variable de respuesta y el término.
Valor p > α: La asociación no es estadísticamente significativa
Si el valor p es mayor que el nivel de significancia, usted no puede concluir que existe una asociación estadísticamente significativa entre la variable de respuesta y el término. Convendría que vuelva a ajustar el modelo sin el término.
Si hay múltiples predictores sin una asociación estadísticamente significativa con la respuesta, usted puede reducir el modelo eliminando términos uno a la vez. Para obtener más información sobre cómo eliminar términos del modelo, vaya a Reducción del modelo.
Si un término del modelo es significativo, la interpretación depende del tipo de término. Las interpretaciones son las siguientes:
  • Si un predictor continuo es significativo, usted puede concluir que el coeficiente del predictor es diferente de 0.
  • Si un predictor categórico es significativo, usted puede concluir que no todas las medias de nivel son iguales.
  • Si un término de interacción es significativo, usted puede concluir que la relación entre el predictor y la respuesta depende del resto de los predictores en el término.
  • Si un término polinómico es significativo, usted puede concluir que la relación entre el predictor y la respuesta depende de la magnitud del predictor.
Al utilizar este sitio, usted acepta el uso de cookies para efectos de análisis y contenido personalizado.  Leer nuestra política