Ajustes y diagnósticos para Gráfica de línea ajustada binaria

Encuentre definiciones y ayuda para interpretar los ajustes y diagnósticos.

Ajuste

El valor ajustado también se conoce como la probabilidad del evento o la probabilidad pronosticada. La probabilidad del evento es la probabilidad de que ocurra un resultado o evento específico. La probabilidad del evento estima la probabilidad de que ocurra un evento, como sacar un as de un mazo de cartas o producir una pieza no conforme. La probabilidad de un evento varía de 0 (imposible) a 1 (seguro).

Interpretación

En la regresión logística binaria, una variable de respuesta tiene solo dos valores posibles, tales como la presencia o ausencia de una enfermendad específica. La probabilidad del evento es la probabilidad de que la respuesta para un patrón dado de factores o covariables sea 1 para un evento (por ejemplo, la probabilidad de que una mujer mayor de 50 años desarrolle diabetes de tipo 2).

Cada ejecución en un experimento se denomina ensayo. Por ejemplo, si usted lanza una moneda al aire 10 veces y registra el número de caras, usted realiza 10 ensayos del experimento. Si los ensayos son independientes e igual de probables, usted puede estimar la probabilidad del evento dividiendo el número de eventos entre el número total de ensayos. Por ejemplo, si obtiene 6 caras en 10 lanzamientos de moneda, la probabilidad estimada del evento (obtener caras) es:

Número de eventos ÷ Número de ensayos = 6 ÷ 10 = 0.6

En la regresión logística nominal y ordinal, una variable de respuesta puede tener tres o más categorías. La probabilidad del evento es la probabilidad de que un patrón dado de factores o covariables tenga una categoría de respuestas específicas. La probabilidad acumulada de evento es la probabilidad de que la respuesta para un patrón dado de factores o covariables esté en la categoría k o inferior, para cada k posible, donde k es igual a las categorías de respuesta, 1…k.

Resid

El residuo es una medida del grado en que el modelo predice la observación. Las observaciones a las que el modelo no se ajusta adecuadamente tienen residuos grandes. Minitab calcula los residuos para cada patrón diferente de factores/covariables.

Interpretación

Grafique los residuos para determinar si el modelo es adecuado y cumple con los supuestos de regresión. Examinar los residuos puede ofrecer información útil acerca de qué tan bien se ajusta el modelo a los datos. En general, los residuos deberían estar distribuidos aleatoriamente, sin patrones obvios ni valores poco comunes. Si Minitab determina que los datos incluyen observaciones poco comunes, identifica esas observaciones en la tabla Ajustes y diagnósticos para observaciones poco comunes en la salida. Para obtener más información sobre valores poco comunes, vaya a Observaciones poco comunes.

Resid Est

El residuo estandarizado es igual al valor de un residuo (ei) dividido entre una estimación de su desviación estándar.

Interpretación

Utilice los residuos estandarizados como ayuda para detectar valores atípicos. Los residuos estandarizados mayores que 2 y menores que −2 por lo general se consideran grandes. La tabla Ajustes y diagnósticos para observaciones poco comunes identifica estas observaciones con una 'R'. Cuando un análisis indica que hay muchas observaciones poco comunes, el modelo generalmente exhibe una falta de ajuste significativa. Es decir, el modelo no describe adecuadamente la relación entre los factores y la variable de respuesta. Para obtener más información, vaya a Observaciones poco comunes.

Los residuos estandarizados son útiles porque los residuos sin procesar podrían no ser buenos indicadores de valores atípicos. La varianza de cada residuo sin procesar puede diferir según los valores de X asociados al residuo. Esta escala desigual hace que sea difícil evaluar los tamaños de los residuos sin procesar. La estandarización de los residuos soluciona este problema al convertir las diferentes varianzas a una escala común.