Especificar la configuración predeterminada para la regresión escalonada

Archivo > Opciones > Modelos lineales > Escalonado

Especifique el método de regresión escalonada, los parámetros y los detalles que se mostrarán. Los cambios que haga en los valores predeterminados se mantendrán vigentes hasta que los cambie de nuevo, incluso después de salir de Minitab. Minitab usará la configuración que se especifique aquí cada vez que usted utilice uno de los siguientes análisis:
  • Estadísticas > Regresión > Regresión > Ajustar modelo de regresión
  • Estadísticas > Regresión > Regresión logística binaria > Ajustar modelo logístico binario
  • Estadísticas > Regresión > Regresión de Poisson > Ajustar modelo de Poisson
  • Estadísticas > ANOVA > Modelo lineal general > Ajustar modelo lineal general
  • Estadísticas > DOE > Cribado > Analizar diseño de cribado
  • Estadísticas > DOE > Factorial > Analizar diseño factorial
  • Estadísticas > DOE > Factorial > Analizar variabilidad
  • Estadísticas > DOE > Superficie de respuesta > Analizar diseño de superficie de respuesta
  • Estadísticas > DOE > Mezcla > Analizar diseño de mezcla

Los diseños de mezcla son diferentes de las otras herramientas de 2 maneras. Si selecciona Criterios de información hacia adelante como el método predeterminado, entonces el método predeterminado para diseños de mezcla sigue siendo Ninguno. Asimismo, los resultados de los diseños de mezcla siempre muestran los mismos detalles.

Método predeterminado
  • Ninguno: Ajustar el modelo con todos los términos que se especifiquen en Términos.
  • Criterios de información hacia adelante: El procedimiento de criterio de información hacia adelante agrega el término con el valor p más bajo al modelo en cada paso. Términos adicionales pueden entrar en el modelo en 1 paso si la configuración del análisis permite la consideración de términos no jerárquicos, pero requiere que cada modelo sea jerárquico. Minitab calcula el criterio de información de cada paso. En la mayoría de los casos, el procedimiento continúa hasta que se cumple una de las siguientes condiciones:
    • El procedimiento no encuentra un nuevo valor mínimo del criterio para 8 pasos consecutivos.
    • El procedimiento se ajusta al modelo completo.
    • El procedimiento se ajusta a un modelo que deja 1 grado de libertad para el error.
    Si usted especifica una configuración para el procedimiento que requiera un modelo jerárquico en cada paso y permita que solo se agregue un término a la vez, el procedimiento continuará hasta que se ajuste al modelo completo o hasta que se ajuste a un modelo que deje 1 grado de libertad para el error. Minitab muestra los resultados del análisis del modelo con el valor mínimo del criterio de información seleccionado, ya sea AICc o BIC.
  • Paso a paso: Comenzar con un modelo vacío, luego agregar o eliminar un término para cada paso. Usted puede especificar un conjunto inicial de términos para su inclusión en el modelo.
  • Selección hacia adelante: Comenzar con un modelo vacío, luego agregar al modelo el término potencial más significativo para cada paso.
  • Eliminación hacia atrás: Comenzar con todos los términos potenciales en el modelo, luego eliminar el término menos significativo para cada paso.
Información hacia adelante

Especifique cuál criterio de información se usará en la selección hacia delante.

Tanto el AICc como el BIC evalúan la probabilidad del modelo y luego aplican una penalización por agregar términos al modelo. La penalización reduce la tendencia a sobreajustar el modelo a los datos de la muestra. Esta reducción puede producir un modelo que tenga un mejor desempeño en general.

Como directriz general, cuando el número de parámetros es pequeño en relación con el tamaño de la muestra, el BIC tiene una penalización mayor por la adición de cada parámetro que el AICc. En estos casos, el modelo que minimiza el BIC tiene a ser más pequeño que el modelo que minimiza el AICc.

En algunos casos comunes, tales como diseños de cribado, el número de parámetros es generalmente grande en comparación con el tamaño de la muestra. En estos casos, el modelo que minimiza el AICc tiende a ser más pequeño que el modelo que minimiza el BIC. Por ejemplo, para un diseño de cribado definitivo de 13 corridas, el modelo que minimiza el AICc tenderá a ser más pequeño que el modelo que minimiza el BIC entre el conjunto de modelos con 6 o más parámetros.

Para obtener más información acerca del AICc y el BIC, consulte Burnham y Anderson.1

Parámetros paso a paso
  • Alfa a entrar: Especificar el criterio para agregar un nuevo término al modelo.
  • Alfa a retirar: Especificar el criterio para eliminar un término del modelo.
Parámetro de selección hacia delante
  • Alfa a entrar: Especificar el criterio para agregar un nuevo término al modelo.
Parámetro de eliminación hacia atrás
  • Alfa a retirar: Especificar el criterio para eliminar un término del modelo.
Mostrar la tabla de detalles de selección de modelo
Mostrar información sobre el procedimiento escalonado en una tabla.
  • Detalles sobre el método: Mostrar el tipo de procedimiento escalonado y los valores de alfa que se utilizan para agregar y/o eliminar un término del modelo.
  • Incluir detalles para cada paso: Mostrar los coeficientes, los valores p, el Cp de Mallows y los estadísticos de resumen del modelo para cada paso del procedimiento.
1 Burnham, K. P., & Anderson, D. R. (2004). Multimodel inference: Understanding AIC and BIC in model selection. Sociological Methods & Research, 33(2), 261-304. doi:10.1177/0049124104268644
Al utilizar este sitio, usted acepta el uso de cookies para efectos de análisis y contenido personalizado.  Leer nuestra política