Interpretar los resultados clave para la Analizar respuesta binaria para diseño de superficie de respuesta

Utilice un diagrama de Pareto de los efectos estandarizados para comparar la magnitud relativa y la significancia estadística de los efectos principales, cuadrados y de interacción.

Minitab grafica los efectos estandarizados colocando sus valores absolutos en orden decreciente. La línea de referencia en la gráfica indica cuáles efectos son significativos. Por opción predeterminada, Minitab utiliza un nivel de significancia de 0.05 para dibujar la línea de referencia.

Para determinar si la asociación entre la respuesta y cada término en el modelo es estadísticamente significativa, compare el valor p del término con su nivel de significancia para evaluar la hipótesis nula. La hipótesis nula es que el coeficiente del término es igual a cero, lo que implica que no hay asociación entre el término y la respuesta. Por lo general, un nivel de significancia (denotado como α o alfa) de 0.05 funciona adecuadamente. Un nivel de significancia de 0,05 indica un riesgo de 5% de concluir que existe una asociación cuando no hay una asociación real.

Valor p ≤ α: La asociación es estadísticamente significativa

Si el valor p es menor que o igual al nivel de significancia, usted puede concluir que hay una asociación estadísticamente significativa entre la variable de respuesta y el término.

Valor p > α: La asociación no es estadísticamente significativa

Si el valor p es mayor que el nivel de significancia, usted no puede concluir que existe una asociación estadísticamente significativa entre la variable de respuesta y el término. Le convendría reajustar el modelo sin el término.

Si hay múltiples predictores sin una asociación estadísticamente significativa con la respuesta, usted puede reducir el modelo eliminando términos uno a la vez. Para obtener más información sobre cómo eliminar términos del modelo, vaya a Reducción del modelo.

R-cuad. de desviación

Mientras más alta sea la desviación R², mejor se ajustará el modelo a los datos. La desviación de R² siempre se encuentra entre 0% y 100%.

El R² de desviación siempre se incrementa cuando usted agrega términos adicionales a un modelo. Por ejemplo, el mejor modelo de 5 términos siempre tendrá un R² que sea al menos tan alto como el mejor modelo de 4 modelos. Por lo tanto, el R² de desviación es más útil cuando se comparan modelos del mismo tamaño.

La organización de los datos afecta el valor de R² de desviación. El R² de desviación suele ser más alto para datos con múltiples pruebas por fila que para datos con una sola prueba por fila. Los valores de R² de desviación son comparables solamente entre modelos que utilizan el mismo formato de datos.

Los estadísticos de bondad de ajuste son simplemente una medida de qué tan bien se ajusta el modelo a los datos. Incluso cuando un modelo tenga un valor deseable, usted deberá revisar las gráficas de residuos y las pruebas de bondad de ajuste para evaluar qué tan bien se ajusta un modelo a los datos.

R-cuad. (ajust.) de desviación

Utilice el R² de desviación ajustado para comparar modelos que tengan diferentes números de términos. El R² de desviación siempre se incrementa cuando usted agrega un término al modelo. El valor ajustado de R² de desviación incorpora el número de términos en el modelo como ayuda para elegir el modelo correcto.

AIC, AICc y BIC

Utilice el AIC, el AICc y el BIC para comparar diferentes modelos. Para cada estadístico, se prefieren valores más pequeños. Sin embargo, el modelo con el valor más pequeño para un conjunto de predictores no necesariamente ajusta los datos adecuadamente. Utilice también las pruebas de bondad de ajuste y las gráficas de residuos para evaluar hasta qué punto un modelo se ajusta a los datos.

Si la desviación es estadísticamente significativa, usted puede probar con una función de enlace diferente o cambiar los términos incluidos en el modelo.