Aviso
Ahora estás saliendo de support.minitab.com.
Haga clic en Continuar para continuar con:
Este valor indica el número de iteraciones necesarias para obtener la suma final de los cuadrados del error (SSE final). Por lo general, no se puede atribuir significado a este número. Sin embargo, si el número de iteraciones es igual al número máximo de iteraciones que se muestran en la tabla Método, esto indica que el algoritmo no convergió en una solución. En lugar de ello, Minitab alcanzó el número máximo de iteraciones y se detuvo. Si esto ocurre, puede probar cambiando el algoritmo, el número máximo de iteraciones, los valores iniciales y la función de expectativa.
La SSE final es la suma de los residuos al cuadrado. Cuantifica la variación en los datos que no es explicada por los predictores. El valor que se muestra representa la SSE más pequeña que el algoritmo podría obtener, dadas las condiciones iniciales.
Cuanto más bajo sea el valor de la SSE final, mejor será descrita la respuesta por el modelo. Si usted está comparando modelos o condiciones iniciales, la comparación de múltiples valores de SSE final puede ser significativa. Sin embargo, un único valor de SSE final podría no ser intuitivamente significativo. Minitab utiliza la SSE final para calcular S, que por lo general se interpreta de una manera más intuitiva.
Los grados de libertad para el error (DFE) son iguales al tamaño de la muestra: el número de parámetros. En general, el total de grados de libertad (GL) es la cantidad de información en los datos y es determinado por el número de observaciones en la muestra. El análisis utiliza esa información para estimar los valores de los parámetros.
El cuadrado medio del error (MSE) es la varianza en torno a los valores ajustados. MSE = SSE final / DFE.
La raíz cuadrada de MSE es S. Por lo general, usted interpreta S en lugar de MSE.
S representa la desviación estándar de la distancia entre los valores de datos y los valores ajustados. S se mide en las unidades de la respuesta. Puesto que el R2 no tiene sentido fuera del contexto del modelo lineal, S es una medida importante de la bondad de ajuste para un modelo no lineal. Debido a que S se expresa en las mismas unidades que la variable de respuesta, por lo general se interpreta de un modo más intuitivo que la SEE final.
Utilice S para evaluar qué tan bien el modelo describe la respuesta. S se mide en las unidades de la variable de respuesta y representa la distancia que separa a los valores de los datos de los valores ajustados. Mientras más bajo sea el valor de S, mejor describirá el modelo la respuesta. Sin embargo, un valor de S bajo no indica por sí solo que el modelo cumple con los supuestos del modelo. Debe examinar las gráficas de residuos para verificar los supuestos.
Por ejemplo, usted trabaja para una compañía de chips de patatas que examina los factores que afectan el número de chips desmenuzados por contenedor. Usted reduce el modelo a los predictores significativos y determina que S se calcula como 1.79. Este resultado indica que la desviación estándar de los puntos de datos alrededor de los valores ajustados es 1.79. Si está comparando modelos, los valores que son menores de 1.79 indican un mejor ajuste y los valores mayores indican un peor ajuste.
Ahora estás saliendo de support.minitab.com.
Haga clic en Continuar para continuar con: