Tabla Método para Ajustar modelo de regresión

Encuentre definiciones e interpretaciones para cada uno de los estadísticos incluidos en la tabla Métodos.

Codificación de predictores categóricos

Minitab puede utilizar el esquema de codificación (0.1) o (−1, 0, +1) para incluir las variables categóricas en el modelo. El esquema (0,1) es la opción por defecto para el análisis de regresión, mientras que el esquema (−1, 0, +1) es la opción predeterminada para ANOVA y DOE. La elección entre estos dos esquemas no cambia la significancia estadística de las variables categóricas. Sin embargo, el esquema de codificación cambia los coeficientes y la forma cómo interpretarlos.

Interpretación

Verifique el esquema de codificación que se muestra para asegurarse de que se ha realizado el análisis tal como estaba previsto. Interprete los coeficientes para las variables categóricas como sigue:

  • Con el esquema de codificación (0,1), cada coeficiente representa la diferencia entre cada media de nivel y la media de nivel de referencia. El coeficiente para el nivel de referencia no se muestra en la tabla Coeficientes.
  • Con el esquema de codificación (−1, 0,+1), cada coeficiente representa la diferencia entre cada media de nivel y la media general.

Estandarización de predictores continuos

Si eligió estandarizar los predictores continuos en su modelo, Minitab le proporciona los detalles acerca del método en la tabla Estandarización de los predictores continuos.

Generalmente, se utiliza una estandarización para centrar las variables, para escalar las variables o para ambas. Cuando se centran las variables, se reduce la multicolinealidad causada por los términos polinómicos y los términos de interacción, que mejoran la precisión de las estimaciones de los coeficientes. En la mayoría de los casos, cuando se escalan las variables, Minitab convierte las diferentes escalas de las variables en una escala común, lo que permite comparar el tamaño de los coeficientes.

Interpretación

Utilice la tabla Método de estandarización para comprobar que el análisis se ha realizado tal como estaba previsto. Dependiendo del método de su elección, es posible que tenga que cambiar la interpretación de los coeficientes de la manera siguiente:
Especificar niveles bajos y altos para codificar como -1 y +1
Este método centra y escala las variables. Minitab utiliza este método en el diseño de experimentos (DOE). Los coeficientes representan el cambio medio en la respuesta asociada con los valores altos y bajos que se han especificado.
Restar la media y dividir entre la desviación estándar
Este método centra y escala las variables. Cada coeficiente representa el cambio esperado en la respuesta ante el cambio de una desviación estándar en la variable.
Restar la media
Este método centra las variables. Cada coeficiente representa el cambio esperado en la respuesta ante un cambio de unidad en la variable, utilizando la escala de medición original. Cuando se resta la media, el coeficiente constante está estimando la respuesta media cuando todos los predictores se encuentran en sus valores medios.
Dividir entre la desviación estándar
Este método escala las variables. Cada coeficiente representa el cambio esperado en la respuesta ante un cambio de una desviación estándar en la variable.
Restar un valor especificado, luego dividir entre otro
El efecto y la interpretación de este método depende de los valores que se ingresen.

λ estimada

Cuando usted utiliza una transformación de Box-Cox, la λ (lambda) estimada es el valor óptimo para producir valores de respuesta transformados que estén normalmente distribuidos. Por opción predeterminada, Minitab utiliza el valor redondeado de lambda.

Interpretación

Lambda es el exponente que Minitab utiliza para transformar los datos de respuesta. Por ejemplo, si lambda = -1, entonces todos los valores de respuesta (Y) se transforman como sigue: −Y-1 = −1/Y. Si lambda es igual a 0, este representa el logaritmo natural de Y en lugar de Y0.

IC de 95 % para λ

Los intervalos de confianza para λ son rangos de valores que probablemente contienen el valor real de λ para la población completa de la cual se obtuvo la muestra.

Puesto que las muestras son aleatorias, es poco probable que dos muestras de una población produzcan intervalos de confianza idénticos. Sin embargo, si toma muchas muestras aleatorias, un determinado porcentaje de los intervalos de confianza resultantes incluirá el parámetro de población desconocido. El porcentaje de estos intervalos de confianza que contiene el parámetro es el nivel de confianza del intervalo.

Interpretación

Utilice el intervalo de confianza para evaluar la estimación de lambda para la muestra.

Por ejemplo, con un nivel de confianza de 95 %, se puede estar un 95% seguro de que el intervalo de confianza contiene el valor de lambda para la población. El intervalo de confianza ayuda a evaluar la significancia práctica de los resultados. Utilice el conocimiento especializado para determinar si el intervalo de confianza incluye valores que tienen significancia práctica para su situación. Si el intervalo es demasiado amplio para ser útil, considere aumentar el tamaño de la muestra.

Valor redondeado de λ

Por opción predeterminada, Minitab redondea el valor óptimo de λ (lambda) a la mitad más cercana porque estos valores corresponden a una transformación más intuitiva. Si se desea utilizar el valor óptimo para la transformación, se elige Herramientas > Opciones > Modelos lineales > Presentación de resultados.

Interpretación

Los siguientes son valores redondeados comunes de lambda y la forma cómo transforman la variable de respuesta.
Lambda Transformación
-2 −Y-2 = −1 / Y2
-1 −Y-1 = −1 / Y
-0.5 −Y-0.5 = −1 / (raíz cuadrada de Y)
0 logaritmo (Y)
0.5 Y0.5 = raíz cuadrada de Y
1 Y
2 Y2
Al utilizar este sitio, usted acepta el uso de cookies para efectos de análisis y contenido personalizado.  Leer nuestra política