Ejemplo de Analizar respuesta binaria para diseño factorial

Un científico de alimentos estudia los factores que inciden en la descomposición de los alimentos. El científico utiliza un experitmento factorial de 2 niveles para evaluar diversos factores que podrían incidir en la velocidad de descomposición de los alimentos.

El científico analiza un diseño factorial de 2 niveles para determinar cómo el tipo de conservante, la presión del empaque al vacío, el nivel de contaminación y la temperatura de enfriamiento afectan el deterioro de la fruta. La respuesta es binaria —si se detecta o no el deterioro— en una muestra de 500 contenedores de fruta.

  1. Abra los datos de muestra, DeterioroAlimentos.MTW.
  2. Elija Estadísticas > DOE > Factorial > Analizar respuesta binaria.
  3. En Nombre de evento, ingrese Evento.
  4. En Número de eventos, ingrese Deterioro.
  5. En Número de ensayos, ingrese Contenedores.
  6. Haga clic en Términos.
  7. En Incluir términos en el modelo hasta el orden, elija 2.
  8. Haga clic en Aceptar en cada cuadro de diálogo.

Interpretar los resultados

En la tabla Desviación, los valores p de tres de los términos de los efectos principales —Conservantes, PresiónVacío y NivelContami— son significativos. Puesto que los valores p son menores que el nivel de significancia de 0,05, el científico concluye que estos factores son estadísticamente significativos. Ninguna de estas interacciones de dos factores es significativa. El científico puede considerar reducir el modelo.

El valor R2 de desviación muestra que el modelo explica un 97.95% de la desviación total en la respuesta, lo que indica que el modelo se ajusta bien a los datos.

La mayoría de los FIV son pequeños, lo que indica que los términos en el modelo no están correlacionados.

El diagrama de Pareto de los efectos permite identificar visualmente los efectos importantes y comparar la magnitud relativa de los diversos efectos. En estos resultados, tres efectos principales son estadísticamente significativos (α = 0.05) - tipo de conservante (A), presión de sellado al vacío (B) y nivel de contaminación (C). Además, usted puede ver que el efecto más grande es tipo de conservante (A) porque es el que más se extiende. El efecto para la interacción de conservante por temperatura de enfriamiento (AD) es el más pequeño porque es el que menos se extiende.

Factorial Binary Logistic Regression: Spoilage versus Preservative, VacuumPress

Method Link function Logit Rows used 16
Response Information Event Variable Value Count Name Spoilage Event 506 Event Non-event 7482 Containers Total 7988
Coded Coefficients Term Effect Coef SE Coef VIF Constant -2.7370 0.0479 Preservative 0.4497 0.2249 0.0477 1.03 VacuumPress 0.2574 0.1287 0.0477 1.06 ContaminationLevel 0.2954 0.1477 0.0478 1.06 CoolTemp -0.1107 -0.0554 0.0478 1.07 Preservative*VacuumPress -0.0233 -0.0117 0.0473 1.05 Preservative*ContaminationLevel 0.0722 0.0361 0.0474 1.06 Preservative*CoolTemp 0.0067 0.0034 0.0472 1.05 VacuumPress*ContaminationLevel -0.0430 -0.0215 0.0469 1.04 VacuumPress*CoolTemp -0.0115 -0.0058 0.0465 1.02 ContaminationLevel*CoolTemp 0.1573 0.0786 0.0467 1.02
Odds Ratios for Continuous Predictors Unit of Odds 95% Change Ratio CI VacuumPress 10.0 * (*, *) ContaminationLevel 22.5 * (*, *) CoolTemp 5.0 * (*, *) Odds ratios are not calculated for predictors that are included in interaction terms because these ratios depend on values of the other predictors in the interaction terms.
Odds Ratios for Categorical Predictors Odds 95% Level A Level B Ratio CI Preservative Any level Any level * (*, *) Odds ratio for level A relative to level B Odds ratios are not calculated for predictors that are included in interaction terms because these ratios depend on values of the other predictors in the interaction terms.
Model Summary Deviance Deviance R-Sq R-Sq(adj) AIC AICc BIC 97.95% 76.75% 105.98 171.98 114.48
Goodness-of-Fit Tests Test DF Chi-Square P-Value Deviance 5 0.97 0.965 Pearson 5 0.97 0.965 Hosmer-Lemeshow 6 0.10 1.000
Deviance Table Source DF Adj Dev Adj Mean Chi-Square P-Value Model 10 46.2130 4.6213 46.21 0.000 Preservative 1 22.6835 22.6835 22.68 0.000 VacuumPress 1 7.3313 7.3313 7.33 0.007 ContaminationLevel 1 9.6209 9.6209 9.62 0.002 CoolTemp 1 1.3441 1.3441 1.34 0.246 Preservative*VacuumPress 1 0.0608 0.0608 0.06 0.805 Preservative*ContaminationLevel 1 0.5780 0.5780 0.58 0.447 Preservative*CoolTemp 1 0.0051 0.0051 0.01 0.943 VacuumPress*ContaminationLevel 1 0.2106 0.2106 0.21 0.646 VacuumPress*CoolTemp 1 0.0153 0.0153 0.02 0.902 ContaminationLevel*CoolTemp 1 2.8475 2.8475 2.85 0.092 Error 5 0.9674 0.1935 Total 15 47.1804
Regression Equation in Uncoded Units P(Event) = exp(Y')/(1 + exp(Y'))

Y' = -2.721 + 0.188 Preservative + 0.0172 VacuumPress - 0.00249 ContaminationLevel - 0.0286 CoolTemp - 0.00117 Preservative*VacuumPress + 0.00160 Preservative*ContaminationLevel + 0.00067 Preservative*CoolTemp - 0.000096 VacuumPress*ContaminationLevel - 0.000115 VacuumPress*CoolTemp + 0.000699 ContaminationLevel*CoolTemp

Al utilizar este sitio, usted acepta el uso de cookies para efectos de análisis y contenido personalizado.  Leer nuestra política