Tabela Método para Ajustar modelo linear generalizado

Encontre definições e orientações para a interpretação para cada estatística na tabela Método.

Informações dos fatores

A tabela de informações de fator mostra os fatores no experimento, o tipo de fatores, o número de níveis e os valores dos níveis.

Fatores são as variáveis controladas no experimento. Fatores também são conhecidos como variáveis independentes, as variáveis explicativas e variáveis preditoras. Os fatores podem assumir apenas um número limitado de valores possíveis, conhecidos como níveis de fator. Os fatores podem conter texto ou valores numéricos. Os fatores numéricos usam alguns valores controlados no experimento, apesar de muitos valores serem possíveis.

Interpretação

Use a tabela de informações de fator para garantir que você realizou a análise da forma desejada.

Em um modelo linear generalizado, os fatores podem ser fixos ou aleatórios. Em geral, se o pesquisador controla os níveis de um fator, o fator é fixo. Por outro lado, se o investigador amostrou aleatoriamente os níveis de um fator a partir de uma população, o fator é aleatório.

Por exemplo, um analista de qualidade planeja estudar fatores que podem afetar a resistência do plástico durante o processo de fabricação. O analista inclui Aditivo, Temperatura e Operador no experimento. O aditivo é uma variável categórica que pode ser do tipo A ou B. A temperatura é uma variável contínua, mas o analista planeja incluir apenas três configurações de temperaturas no experimento: 100 °C, 150 °C e 200 °C. Como o analista controla os níveis desses dois fatores na experiência, esses fatores são fixos. Por outro lado, o analista decide selecionar aleatoriamente os operadores da população de instalações. Por isso, o Operador é um fator aleatório.

Fator Aditivo Temperatura Operador
Tipo Fixo Fixo Aleatório
Nível A Baixo (100 °C) A
Nível B Médio (150 °C) B
Nível   Alto (200 °C) C

Os fatores podem ser cruzados ou aninhados. Dois fatores são cruzados quando cada nível de um fator ocorre em combinação com cada nível do outro fator. Dois fatores são aninhados quando os níveis de um fator são similares mas não idênticos, e cada um ocorre com níveis diferentes do outro fator.

Por exemplo, se um experimento contém máquina e operador, esses fatores são cruzados, se todos os operadores usarem todas as máquinas. No entanto, o operador está aninhado em máquina se cada máquina tiver um conjunto diferente de operadores.

Na tabela de informações de fator, o parênteses indica fatores aninhados. Por exemplo, Operador (Máquina) indica que o operador está aninhado dentro da máquina.

Para obter mais informações sobre fatores, vá para Fatores e níveis de fatores, O que são fatores, fatores cruzados e fatores aninhados? e Qual é a diferença entre fatores fixos e aleatórios?.

Codificação do fator

O Minitab pode usar o esquema de codificação (0, 1) ou (−1, 0, +1) para incluir variáveis categóricas no modelo. O esquema (0, 1) é o padrão para análise de regressão, enquanto o esquema (−1, 0, +1) é o padrão para ANOVA e DOE. A escolha entre estes dois esquemas não altera a significância estatística das variáveis categóricas. No entanto, o esquema de codificação realmente altera os coeficientes e a maneira de interpretá-los.

Interpretação

Verifique se o esquema de codificação que é exibido garante que você tenha realizado a análise pretendida. Interprete os coeficientes para as variáveis categóricas como a seguir:

  • Com o esquema de codificação (0, 1), cada coeficiente representa a diferença entre cada média de nível e a média de nível de referência. O coeficiente para o nível de referência não é exibido na tabela Coeficientes.
  • Com o esquema de codificação (−1, 0,+1), cada coeficiente representa a diferença entre cada média de nível e a média global.

Padronização da covariável

Se você optou por padronizar as covariáveis no modelo, o Minitab fornece detalhes sobre o método na tabela padronização Covariável.

Normalmente, você usa a padronização para centralizar variáveis, dimensionar variáveis ou ambas as coisas. Quando você centraliza as variáveis, reduz a multicolinearidade causada por termos polinomiais e termos de interação, o que melhora a precisão das estimativas dos coeficientes. Na maioria dos casos, quando você dimensionar as variáveis, o Minitab converte as diferentes escalas das variáveis para uma escala comum, o que permite comparar o tamanho dos coeficientes.

Interpretação

Use a tabela do método de padronização para garantir que você realizou a análise da forma desejada. Dependendo de sua escolha para o método, talvez seja necessário mudar a interpretação dos coeficientes da seguinte forma:
Especificar níveis inferior e superior para codificar como -1 e +1
Este método tanto centraliza quanto dimensiona as variáveis. O Minitab usa este método no planejamento de experimentos (DOE). Os coeficientes representam a alteração média na resposta associada aos valores altos e baixos especificados.
Subtrai a média e divide pelo desvio padrão
Este método tanto centraliza quanto dimensiona as variáveis. Cada coeficiente representa a mudança esperada na resposta dada a uma mudança de um desvio padrão na variável.
Subtrair a média
Este método centraliza as variáveis. Cada coeficiente representa a mudança esperada na resposta dada a mudança de uma unidade na variável, utilizando a escala de medição original. Ao subtrair a média, o coeficiente constante está estimando a resposta média, quando todos os preditores estão em seus valores médios.
Dividir pelo desvio padrão
Este método dimensiona as variáveis. Cada coeficiente representa a mudança esperada na resposta dada a uma mudança de um desvio padrão na variável.
Subtrair um valor especificado e dividir por outro
O efeito e a interpretação deste método dependem dos valores que inseridos.

λ estimado

Quando você usa uma transformação Box-Cox, o λ (lambda) estimado é o valor ideal para produzir valores de resposta transformados que são normalmente distribuídos. Por padrão, o Minitab usa o valor de lambda arredondado.

Interpretação

Lambda é o expoente que o Minitab utiliza para transformar os dados de resposta. Por exemplo, se lambda = -1, então todos os valores de resposta (Y) são transformados como se segue: −Y-1 = −1/Y. Se lambda é igual a 0, isso representa o logaritmo natural de Y em vez de Y0.

IC de 95% para λ

Os intervalos de confiança para λ (lambda) são faixas de valores que tendem a conter o verdadeiro valor de λ para toda a população a partir da qual sua amostra foi tirada.

Como as amostras são aleatórias, é improvável que duas amostras de uma população produzam intervalos de confiança idênticos. No entanto, se você extrair muitas amostras aleatórias, uma determinada porcentagem dos intervalos de confiança resultantes conterá o parâmetro populacional desconhecido. A porcentagem destes intervalos de confiança que contém o parâmetro é o nível de confiança do intervalo.

Interpretação

Use o intervalo de confiança para avaliar a estimativa de lambda para a sua amostra.

Por exemplo, com um nível de confiança de 95%, é possível ter 95% de certeza de que o intervalo de confiança contém o valor de lambda para a população. O intervalo de confiança ajuda a avaliar a significância prática de seus resultados. Use seu conhecimento especializado para determinar se o intervalo de confiança inclui valores que tenham significância prática para a sua situação. Se o intervalo for muito amplo para ser útil, pense em aumentar o tamanho da amostra.

λ arredondado

Por padrão, o Minitab arredonda o λ (lambda) ideal para a metade mais próxima, porque esses valores correspondem a uma transformação mais intuitiva. Se você quiser usar o valor ideal para a transformação, escolha Ferramentas > Opções > Modelos Lineares > Exibição dos Resultados.

Interpretação

A seguir, apresentamos os valores arredondados comuns de lambda e como eles transformam a variável de resposta.
Lambda = 3 Transformação
-2 −Y-2 = −1 / Y2
-1 −Y-1 = −1 / Y
-0,5 −Y-0.5 = −1 / (raiz quadrada de Y)
0 log (Y)
0,5 Y0,5 = raiz quadrada de Y
1 Y
2 Y2
Ao usar esse site, você concorda com a utilização de cookies para análises e conteúdo personalizado.  Leia nossa política