Un científico que trabaja en un laboratorio de química de los alimentos analiza 60 muestras de harina de soya. Para cada muestra, el científico determina la humedad y contenido de grasa y registra datos del espectro infrarrojo cercano (NIR) a 88 longitudes de onda. El científico selecciona aleatoriamente 54 de las 60 muestras y estima la relación entre las respuestas (humedad y grasa) y los predictores (las 88 longitudes de onda NIR) usando la regresión PLS. El científico utiliza las 6 muestras restantes como un conjunto de datos de prueba para evaluar la capacidad predictiva del modelo.
- Abra los datos de muestra, HarinaSoya.MTW.
- Elija .
- En Respuestas, ingrese Humedad Grasa.
- En Modelo, ingrese '1'-'88'.
- Haga clic en Predicción.
- En Nueva observación para predictores continuos, ingrese Prueba1-Prueba88.
- En Nueva observación para respuestas (opcional), ingrese Humedad2 Grasa2.
- Haga clic en Aceptar en cada cuadro de diálogo.
Interpretar los resultados
Los valores p para ambas respuestas son aproximadamente 0.000, que es menos que el nivel de significancia de 0.05. Estos resultados indican que al menos un coeficiente del modelo es diferente de cero. El valor del R2 de prueba para humedad es aproximadamente 0.9. El valor del R2 de prueba para grasa es casi 0.8. Los estadísticos R2 de prueba indican que los modelos predicen adecuadamente. El análisis de cada respuesta por separado daría resultados diferentes.
Regresión de PLS: Humedad, Grasa vs. 1, 2, 3, 4, 5, 6, 7, 8, ...
