Tabla Análisis de varianza para Analizar respuesta binaria para diseño de cribado definitivo

En este tema

GL
Desv. sec.
Contribución
Desv. ajust.
Media ajust.
Chi-cuadrada
Valor p – Modelo
Valor p – Término

GL

El total de grados de libertad (GL) es la cantidad de información en los datos. El análisis utiliza esa información para estimar los valores de los coeficientes. El total de GL es 1 menos que el número de filas en los datos. Los GL de un término muestran cuántos coeficientes usa ese término. Aumentar el número de términos en el modelo agrega más coeficientes al modelo, lo que reduce los GL para el error. Los GL para el error son los grados de libertad restantes que no se usan en el modelo.

Nota

Para un diseño factorial de 2 niveles o un diseño de Plackett-Burman, si un diseño tiene puntos centrales, entonces un GL es para la prueba de curvatura. Si el término para puntos centrales está en el modelo, la fila para curvatura es parte del modelo. Si el término para puntos centrales no está en el modelo, la fila para curvatura es parte del error que se utiliza para probar los términos que están en el modelo. En los diseños de superficie de respuesta y de cribado definitivo, usted puede estimar los términos cuadráticos, por lo que la prueba de curvatura no es necesaria.

Desv. sec.

La desviación secuencial mide la desviación para los diferentes componentes del modelo. A diferencia de la desviación ajustada, la desviación secuencial depende del orden en que los términos entran al modelo. En la tabla Desviación, Minitab separa la desviación secuencial en diferentes componentes que describen la desviación que explican las diferentes fuentes.

Modelo: La desviación secuencial para el modelo de regresión cuantifica qué cantidad de la desviación total explica el modelo.

Término: La desviación secuencial para un término cuantifica la diferencia entre un modelo hasta e incluyendo un término particular, con el término y sin el término.
Error: La desviación secuencial para el error cuantifica la desviación que el modelo no explica.
Total: La desviación secuencial total es la suma de la desviación secuencial para el modelo y la desviación secuencial para el error. La desviación secuencial total cuantifica la desviación total en los datos.

Interpretación

Cuando usted especifica el uso de la desviación secuencial para las pruebas, Minitab utiliza la desviación secuencial para calcular los valores p para el modelo de regresión y los términos individuales. Por lo general, usted interpreta los valores p en lugar de la desviaicón secuencial.

Contribución

La contribución muestra el porcentaje que cada fuente incluida en la tabla ANOVA aporta a la desviación secuencial total.

Interpretación

Los porcentajes más altos indican que la fuente representa una mayor parte de la desviación en la variable de respuesta. La contribución porcentual para el modelo de regresión es igual al R² de desviación.

Desv. ajust.

Las desviaciones ajustadas son medidas de la variación para los diferentes componentes del modelo. El orden de los predictores en el modelo no afecta el cálculo de las desviaciones ajustadas. En la tabla Desviación, Minitab separa la desviación en diferentes componentes que describen la desviación que explican las diferentes fuentes.

Modelo: La desviación ajustada para el modelo de regresión cuantifica la diferencia entre el modelo actual y el modelo de las constantes.
Término: La desviación ajustada para un término cuantifica la diferencia entre un modelo con el término y sin el término.
Error: La desviación ajustada para el error cuantifica la desviación que el modelo no explica.
Total: La desviación ajustada total es la suma de la desviación ajustada para el modelo y la desviación ajustada para el error. La desviación ajustada total cuantifica la desviación total en los datos.

Interpretación

Minitab utiliza las desviaciones ajustadas para calcular el valor p de un término. Minitab también utiliza las desviaciones ajustadas para calcular el estadístico R² de desviación. Por lo general, usted interpreta los valores p y el estadístico R² en lugar de las desviaciones.

Media ajust.

La desviación media ajustada mide la cantidad de desviación que un término o modelo explica por cada grado de libertad. El cálculo de la desviación media ajustada para cada término presupone que todos los demás términos están en el modelo.

Interpretación

Minitab utiliza el valor de chi-cuadrada para calcular el valor p de un término. Por lo general, usted interpreta los valores p en lugar de los mínimos cuadrados ajustados.

Chi-cuadrada

Cada término de la tabla ANOVA tiene un valor de chi-cuadrada. El valor de chi-cuadrada es el estadístico de prueba que determina si un término o modelo tiene asociación con la respuesta.

Interpretación

Minitab utiliza el estadístico de chi-cuadrada para calcular el valor p, que se usa para tomar una decisión acerca de la significancia estadística de los términos y el modelo. El valor p es una probabilidad que mide la evidencia en contra de la hipótesis nula. Las probabilidades más bajas proporcionan una evidencia más fuerte en contra de la hipótesis nula. Un estadístico de chi-cuadrada lo suficientemente grande da como resultado un valor p pequeño, lo que indica que el término o el modelo es estadísticamente significativo.

Valor p – Modelo

El valor p es una probabilidad que mide la evidencia en contra de la hipótesis nula. Las probabilidades más bajas proporcionan una evidencia más fuerte en contra de la hipótesis nula.

Interpretación

Para determinar si los datos proporcionan evidencia de que por lo menos uno de los coeficientes del modelo de regresión es diferente de 0, compare el valor p de la regresión con el nivel de significancia para evaluar la hipótesis nula. La hipótesis nula para el valor p del modelo es que todos los coeficientes de los términos incluidos en el modelo de regresión son 0. 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 por lo menos un coeficiente es diferente de 0 cuando todos los coeficientes son 0.

Valor p ≤ α: Por lo menos un coeficiente es diferente de 0: Si el valor p es menor que o igual al nivel de significancia, usted puede concluir que por lo menos un coeficiente es diferente de 0.
Valor p > α: No existe suficiente evidencia para concluir que por lo menos un coeficiente es diferente de 0.: Si el valor p es mayor que el nivel de significancia, usted no puede concluir que por lo menos un coeficiente es diferente de 0. Convendría que ajuste un nuevo modelo.

Las pruebas en la tabla Desviación son pruebas de relación de probabilidad. La prueba en la muestra expandida de la tabla Coeficientes son pruebas de aproximación de Wald. Las pruebas de relación de probabilidad son más exactas para las muestras pequeñas que las pruebas de aproximación de Wald.

Valor p – Término

El valor p es una probabilidad que mide la evidencia en contra de la hipótesis nula. Las probabilidades más bajas proporcionan una evidencia más fuerte en contra de la hipótesis nula.

Interpretación

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 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.

Si un término del modelo es estadísticamente significativo, la interpretación depende del tipo de término. Las interpretaciones son las siguientes:

Si un factor continuo es significativo, usted puede concluir que el coeficiente del factor es diferente de cero.
Si un factor categórico es significativo, usted puede concluir que la probabilidad del evento no es la misma para todos los niveles del factor.
Si un término de interacción es significativo, usted puede concluir que la relación entre un factor y la probabilidad del evento depende del resto de los factores en el término.
Si un término cuadrático es significativo, usted puede concluir que la superficie de respuesta presenta una curvatura.

Las pruebas incluidas en la tabla Análisis de varianza son pruebas de relación de verosimilitud. La prueba en la muestra expandida de la tabla Coeficientes son pruebas de aproximación de Wald. Las pruebas de relación de probabilidad son más exactas para las muestras pequeñas que las pruebas de aproximación de Wald.