Interpretar os principais resultados para Matriz de dispersão.

Conclua as etapas a seguir para interpretar uma matriz de dispersão.

Etapa 1: Procurar pelas relações entre modelos e avalie a força

Procure por relações de modelos entre pares de variáveis. Determine que relação de modelo ajusta melhor os seus dados e avalie a força da relação. Se um modelo ajustar bem, você pode usar a equação de regressão para tal modelo a fim de descrever seus dados.

Dica

Para ver o quão bem um determinado modelo ajusta seus dados, adicione uma linha de regressão ajustada. Com o gráfico ativado, escolha Editor > Adicionar > Ajuste de Regressão. Você pode manter o ponteiro sobre a linha de regressão ajustada para visualizar a equação de regressão.

Tipo de relação

Os exemplos a seguir mostram diferentes tipos de relações que você pode modelar com uma linha de ajuste de regressão.
Linear: positivo
Linear: negativo
Curvado: quadrático
Curvado: cúbico
Nenhuma relação

Se seus dados parecerem se ajustar a um modelo, você pode explorar a relação usando uma análise de regressão.

Força da relação

Avalie o quão próximo os dados se ajustam ao modelo para estimar a força da relação entre X e Y. Quando a relação é forte, a equação de regressão modela os dados com precisão. Se você tiver uma linha de regressão ajustada, fixe o ponteiro sobre ela para visualizar a equação de regressão e o valor R-squared. Quanto maior o valor R-squared, maior será a precisão da equação de regressão para modelar seus dados.
Relação mais fraca
Relação mais forte

Para quantificar a força de uma relação linear (reta), use uma análise de correlação.

Etapa 3: Procurar por outros padrões

Os outliers podem indicar condições incomuns em seus dados. As tendências baseadas em tempo podem indicar alterações nas condições de dados.

Outliers

Outliers, que são valores de dados que estão distantes dos outros valores de dados, podem afetar fortemente seus resultados.

Em um gráfico de dispersão, pontos isolados identificam os outliers.

Tente identificar a causa de qualquer outliers. Corrija os erros de entrada de dados ou de medição. Considere a remoção de valores de dados que estejam associados a eventos anormais que ocorrem somente uma vez (causas especiais). Em seguida, repita a análise.

Ao usar esse site, você concorda com a utilização de cookies para análises e conteúdo personalizado.  Leia nossa política