Especificar las opciones para Analizar variabilidad

Estadísticas > DOE > Factorial > Analizar variabilidad > Opciones

Método de estimación

En Método de estimación, elija entre los métodos de estimación de mínimos cuadrados (LSE) y de estimación de máxima verosimilitud (MLE). Estos métodos producen estimaciones equivalentes de los coeficientes en el modelo saturado, cuando el número de parámetros es igual al número de puntos de datos.

A menudo, las diferencias entre los resultados de LSE y MLE son menores y los métodos se pueden intercambiar. Se recomienda que utilice ambos métodos y determine si los resultados se confirman entre sí. Si los resultados difieren, se recomienda determinar la razón. Por ejemplo, MLE parte del supuesto de que los datos originales provienen de una distribución normal. Si sus datos pudieran no estar normalmente distribuidos, LSE podría generar mejores estimaciones. Por otra parte, LSE no puede calcular los resultados para datos que contienen una desviación estándar igual a cero. MLE podría ofrecer estimaciones, dependiendo del modelo.

También puede utilizar LSE y MLE conjuntamente porque LSE provee mejores valores p, mientras que MLE provee coeficientes más precisos1. Para usar este enfoque, siga estos pasos:
  1. Utilice los valores p de LSE para determinar cuáles términos son estadísticamente significativos.
  2. Ajuste el modelo de nuevo, excluyendo los términos no significativos, para identificar el modelo reducido apropiado.
  3. Utilice MLE para estimar los coeficientes finales del modelo y para determinar los ajustes y residuos.

Nivel de confianza para todos los intervalos

Ingrese el nivel de confianza para los intervalos de confianza de los coeficientes y los valores ajustados.

Por lo general, un nivel de confianza de 95% funciona adecuadamente. Un nivel de confianza de 95% indica que si usted tomara 100 muestras aleatorias de la población, los intervalos de confianza de aproximadamente 95 de las muestras incluirían la respuesta media. Para un conjunto determinado de datos, un nivel de confianza más bajo produce un intervalo más estrecho y un nivel de confianza más alto produce un intervalo más amplio.

Nota

Para mostrar los intervalos de confianza, debe ir al cuadro de diálogo secundario Resultados y, en Presentación de resultados, seleccione Tablas expandidas.

Tipo de intervalo de confianza

Seleccione el tipo de intervalo o borde de confianza que desea mostrar.

Por ejemplo, la concentración media pronosticada de sólidos disueltos en agua es 13.2 mg/L. El intervalo de confianza de 95% para la media de múltiples observaciones futuras va de 12.8 mg/L a 13.6 mg/L. El borde superior de 95% para la media de múltiples observaciones futuras es 13.5 mg/L, que es más preciso porque el borde está más cerca de la media pronosticada.
Bilateral
Utilice un intervalo de confianza bilateral para estimar tanto los valores inferiores como los valores superiores probables para la respuesta media.
Límite inferior
Utilice un borde inferior para estimar un valor inferior probable para la respuesta media.
Límite superior
Utilice un borde de confianza superior para estimar un valor superior probable para la respuesta media.

Tabla de medias:

Usted puede mostrar la media de los efectos principales, los efectos principales y las interacciones de dos factores o todos los términos del modelo en la salida. Alternativamente, puede mostrar las medias de un subconjunto de estos términos o ningún término.

Si usted selecciona Términos especificados, utilice los botones de flecha para mover términos de una lista a la otra. Términos disponibles muestra todos los términos para los cuales puede indicar medias. Minitab muestra las medias de los términos en Términos seleccionados. Seleccione uno o más términos en una de las listas y luego haga clic en un botón de flecha. Las flechas dobles mueven todos los términos de una lista a la otra. También puede hacer doble clic en un término para moverlo. Si un término que espera ver en la lista no aparece, tendrá que agregarlo al modelo.

1 Nair, V.N. y Pregibon, D. (1988). "Analyzing Dispersion Effects From Replicated Factorial Experiments," Technometrics, 30, pp.247-257.