Consideraciones acerca de los datos para Regresión no lineal

Para asegurar que los resultados sean válidos, considere las siguientes pautas al recopilar datos, realizar el análisis e interpretar los resultados.

Los predictores pueden ser continuos o categóricos

Una variable continua puede medirse y ordenarse y tiene un número infinito de valores entre dos valores cualesquiera. Por ejemplo, los diámetros de una muestra de neumáticos es una variable continua.

Las variables categóricas contienen un número finito y contable de categorías o grupos distintos. Los datos categóricos pueden no tener un orden lógico. Por ejemplo, los predictores categóricos incluyen sexo, tipo de material y método de pago.

Si usted tiene una variable discreta, puede decidir si la tratará como un predictor continuo o categórico. Una variable discreta puede medirse y ordenarse, pero tiene un número contable de valores. Por ejemplo, el número de personas que viven en un hogar es una variable discreta. La decisión de tratar una variable discreta como continua o categórica depende del número de niveles, así como del propósito del análisis.

Si usted tiene predictores categóricos, conviértalos en variables indicadoras antes de realizar este análisis. Para convertir los predictores categóricos, utilice Crear variables indicadoras.

La variable de respuesta debe ser continua

Si la variable de respuesta es categórica, es menos probable que el modelo cumpla con los supuestos del análisis, que describa con exactitud los datos o que haga predicciones útiles.

Si los datos no requieren una función no lineal, puede considerar los siguientes análisis alternativos.

• Si la variable de respuesta tiene dos categorías, como pasa y no pasa, utilice Ajustar modelo logístico binario.
• Si la variable de respuesta contiene tres o más categorías que tienen un orden natural, como por ejemplo completamente en desacuerdo, en desacuerdo, neutral, de acuerdo, completamente de acuerdo, utilice Regresión logística ordinal.
• Si la variable de respuesta contiene tres o más categorías que no tienen un orden natural, como por ejemplo raya, hendidura y rotura, utilice Regresión logística nominal.
• Si la variable de respuesta cuenta ocurrencias, tales como el número de defectos, utilice Ajustar modelo de Poisson.

La función de expectativa debe describir con exactitud la relación entre las variables predictoras y de respuesta

Su elección de la función de expectativa suele depender del conocimiento previo de la forma de la curva de respuesta o del comportamiento de las propiedades físicas y químicas del sistema. Las formas no lineales posibles incluyen curvas cóncavas, convexas, de crecimiento o descenso exponencial, sigmoidales (S) y asintóticas. Usted debe especificar la función que satisfaga tanto los requisitos de conocimiento previo como de gráficas de residuos.

Usted debe especificar valores iniciales aceptables

Un algoritmo iterativo estima parámetros ajustando sistemáticamente las estimaciones de parámetros para reducir la suma de los cuadrados del error (SSE). Para algunas funciones de expectativa y conjuntos de datos, los valores iniciales pueden afectar significativamente los resultados.

Recolecte los datos utilizando las mejores prácticas

Para asegurar que los resultados sean válidos, considere las siguientes pautas:

• Asegúrese de que los datos representen a la población de interés.
• Recolecte suficiente datos para proporcionar la precisión necesaria.
• Mida las variables con tanta exactitud y precisión como sea posible.
• Registre los datos en el orden de recolección.

El modelo debe proveer un ajuste adecuado a los datos

Si el modelo no se ajusta a los datos, los resultados pueden ser engañosos. En la salida, utilice las gráficas de residuos y los estadísticos de resumen del modelo para determinar qué tan bien se ajusta el modelo a los datos.