Ejemplo de Regresión ortogonal

Un ingeniero de una empresa de equipos médicos desea determinar si el nuevo monitor de presión arterial de la empresa es equivalente a un monitor similar que es fabricado por otra empresa. El ingeniero mide la presión arterial sistólica de una muestra aleatoria de 60 personas, utilizando los dos monitores.

Para determinar si los dos monitores son equivalentes, el ingeniero utiliza la regresión ortogonal. Antes de recoger los datos para la regresión ortogonal, el ingeniero separó los estudios de cada monitor para estimar las varianzas. La varianza del monitor nuevo era de 1,08. La varianza del monitor de la otra empresa era de 1,2. El ingeniero decide asignar el monitor nuevo como la variable de respuesta y el monitor de la otra empresa como la variable predictora. Con estas asignaciones, la relación de las varianzas del error es 1,08 / 1,2 = 0,9.
Nota

Si el ingeniero decidiera invertir las asignaciones, la relación de las varianzas del error sería 1,2 / 1,08 = 1,1111.

  1. Abra los datos de muestra, PresiónArterial.MTW.
  2. Elija Estadísticas > Regresión > Regresión ortogonal.
  3. En Respuesta (Y), ingrese Nuevo.
  4. En Predictor (X), ingrese Actual.
  5. En Relación de varianzas de error (Y/X), ingrese 0,90.
  6. Haga clic en Aceptar.

Interpretar los resultados

Si cualquiera de las siguientes condiciones es verdadera, los resultados proporcionan evidencia de que los monitores de presión arterial no son equivalentes:
  • El intervalo de confianza para la pendiente no contiene 1.
  • El intervalo de confianza para la constante no contiene 0.
Los resultados muestran que el intervalo de confianza para la constante, que es de aproximadamente -2,78 a 4,06, contiene 0. El intervalo de confianza para la pendiente, Actual, que es de aproximadamente 0,97 a 1,02, contiene 1. Estos resultados no proporcionan evidencia de que de las mediciones de los monitores son diferentes. La gráfica de línea ajustada muestra que los puntos se encuentran cerca de la línea de regresión, lo que indica que el modelo se ajusta a los datos.
Relación Error - Varianza (Nuevo/Actual): 0.9
Ecuación de regresión
Nuevo = 0.644 + 0.995 Actual

Coeficientes

PredictorCoefSE CoefZPIC de 95% aprox.
Constante0.644411.744700.36940.712(-2.77513, 4.06395)
Actual0.995420.0141570.34610.000(0.96769, 1.02315)

Varianzas del error

VariableVarianza
Nuevo1.07856
Actual1.19840