Tabla Falta de ajuste para Regresión no lineal

Encuentre definiciones y ayuda para interpretar cada uno de los estadísticos incluidos en la tabla Falta de ajuste. Minitab muestra automáticamente la tabla Falta de ajuste cuando los datos contienen réplicas. Las réplicas son múltiples observaciones con valores predictores idénticos. Si los datos no contienen réplicas, es imposible calcular el error puro que se necesita para realizar esta prueba.

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 parámetros de población desconocidos. Este valor está determinado por el número de observaciones en la muestra. Si incrementa el tamaño de la muestra, obtendrá más información sobre la población, con lo cual aumenta el total de GL.

Los GL para cada fuente de error muestran la cantidad de información que utiliza ese término. Los grados de libertad para la prueba de falta de ajuste son los grados de libertad para el error menos los grados de libertad para el error puro.

SC

Las diferentes sumas de los cuadrados (SC) del error miden la varianza atribuible al error total, el error de falta de ajuste y el error puro. La SC que Minitab utiliza para la prueba de falta de ajuste es la suma total de los cuadrados del error menos la suma de los cuadrados del error puro.

Interpretación

Minitab utiliza las sumas de los cuadrados para calcular el valor p para la prueba de falta de ajuste. Generalmente se interpreta el valor p en lugar de las sumas de los cuadrados.

CM

Los diferentes cuadrados medios (CM) del error miden la varianza que se puede atribuir al error total, el error de falta de ajuste y el error puro. Los cuadrados medios son iguales a las sumas de los cuadrados divididas entre sus grados de libertad.

El cuadrado medio del error (MSE) es la varianza en torno a los valores ajustados. MSE = SSE final / DFE.

Interpretación

Minitab utiliza los cuadrados medios para calcular el valor p para la prueba de falta de ajuste. Generalmente se interpreta el valor p en lugar de los cuadrados medios.

F

Un valor F aparece para el término de falta de ajuste en la tabla de la prueba de falta de ajuste. El valor F es la estadística de prueba usada para determinar si al modelo le están faltando los términos de orden superior que incluyan los predictores en el modelo actual.

Interpretación

Minitab utiliza el valor F 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 valor F lo suficientemente grande indica que la falta de ajuste es significativa.

Valor p – Falta de ajuste

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. Minitab realiza automáticamente la prueba de falta de ajuste para el error puro cuando los datos contienen réplicas, que son múltiples observaciones con valores idénticos de X. Las réplicas representan el "error puro", porque solo la variación aleatoria puede causar diferencias entre los valores de respuesta observados.

Interpretación

Para determinar si el modelo especifica correctamente la relación entre la respuesta y los predictores, compare el valor p de la prueba de falta de ajuste con el nivel de significancia para evaluar la hipótesis nula. La hipótesis nula para la prueba de falta de ajuste es que el modelo especifica correctamente la relación entre la respuesta y los predictores. Por lo general, un nivel de significancia (denotado como alfa o α) de 0.05 funciona adecuadamente. Un nivel de significancia de 0.05 indica un riesgo de 5% de concluir que el modelo no especifica correctamente la relación entre la respuesta y los predictores cuando el modelo sí especifica la relación correcta.

Valor p ≤ α: La falta de ajuste es estadísticamente significativa: Si el valor p es menor que o igual al nivel de significancia, usted concluye que el modelo no especifica correctamente la relación. Para mejorar el modelo, es posible que tenga que agregar términos o transformar los datos.
Valor p > α: La falta de ajuste no es estadísticamente significativa: Si el valor p es mayor que el nivel de significancia, la prueba no detecta ninguna falta de ajuste.