Interpretar os principais resultados para Ajustar modelo linear generalizado

Conclua as etapas a seguir para interpretar um modelo linear generalizado. A saída principal inclui o valor-p, os coeficientes, R2 e os gráficos de resíduos.

Etapa1: Determine se a associação entre a resposta e o termo é estatisticamente significativa

Para determinar se a associação entre a resposta e cada termo no modelo é estatisticamente significativa, compare o valor-p para o termo com o seu nível de significância a fim de avaliar a hipótese nula. A hipótese nula é que não há nenhuma associação entre o termo e a resposta. Geralmente, um nível de significância (denotado como α ou alfa) de 0,05 funciona bem. Um nível de significância de 0,05 indica um risco de 5% de se concluir que existe uma associação quando não existe uma associação real.
Valor-p ≤ α: a associação é estatisticamente significativa
Se o valor-p for menor ou igual ao nível de significância, é possível concluir que há uma associação estatisticamente significativa entre a variável de resposta e o termo.
Valor-p > α: a associação não é estatisticamente significativa
Se o valor-p for maior ou igual ao nível de significância, não é possível concluir que há uma associação estatisticamente significativa entre a variável de resposta e o termo. Talvez seja necessário reajustar o modelo sem o termo.
Se houver vários preditores sem uma associação estatisticamente significativa com a resposta, você pode reduzir o modelo removendo os termos um de cada vez. Para obter mais informações sobre como remover os termos do modelo, vá para Redução de modelo.
Se um termo do modelo for estatisticamente significativo, a interpretação dependerá do tipo de termo. As interpretações são da seguinte maneira:
  • Se um fator fixo é significativo, é possível concluir que nem todas as médias de nível são iguais.
  • Se um fator aleatório é significativo, é possível concluir que o fator contribui para a quantidade de variação na resposta.
  • Se um termo de interação é significativo, a relação entre um fator e a resposta depende dos outros fatores do termo. Neste caso, você não deve interpretar os principais efeitos sem considerar o efeito da interação.
  • Se uma covariável for estatisticamente significativa, é possível concluir que as mudanças no valor da covariável estejam associadas a mudanças no valor médio da resposta.
  • Se um termo polinomial for significativo, é possível concluir que os dados contêm curvatura.
Coeficientes Termo Coef EP de Coef Valor-T Valor-P Constante -4969 191 -25,97 0,000 Temperatura 83,87 3,13 26,82 0,000 TipoVidro 1 1323 271 4,89 0,000 2 1554 271 5,74 0,000 Temperatura*Temperatura -0,2852 0,0125 -22,83 0,000 Temperatura*TipoVidro 1 -24,40 4,42 -5,52 0,000 2 -27,87 4,42 -6,30 0,000 Temperatura*Temperatura*TipoVidro 1 0,1124 0,0177 6,36 0,000 2 0,1220 0,0177 6,91 0,000 Termo VIF Constante Temperatura 301,00 TipoVidro 1 3604,00 2 3604,00 Temperatura*Temperatura 301,00 Temperatura*TipoVidro 1 15451,33 2 15451,33 Temperatura*Temperatura*TipoVidro 1 4354,00 2 4354,00
Principais resultados: valor de P, coeficientes

Nestes resultados, os principais efeitos para o tipo e temperatura do vidro são estatisticamente significativos ao nível de significância de 0,05. Você pode concluir que as mudanças nessas variáveis estão associadas às alterações na variável resposta.

Dos três tipos de vidro no experimento, a saída exibe os coeficientes para dois tipos. Por padrão, o Minitab remove um nível de fator para evitar a multicolinearidade perfeita. Como a análise utiliza o esquema de codificação -1, 0, +1, os coeficientes para os efeitos principais representam a diferença entre cada média de nível e média geral. Por exemplo, o tipo de vidro 1 está associado com a saída de luz que é 1323 unidades maior do que a média global.

A temperatura é uma covariável neste modelo. O coeficiente para o efeito principal representa a mudança na resposta média para o aumento da unidade um na covariável, enquanto os outros termos no modelo são mantidos constantes. Para cada aumento de um grau na temperatura, a saída média de luz aumenta em 83,87 unidades.

Tanto o tipo de vidro como a temperatura estão incluídos nos termos de ordem superior que são estatisticamente significativos.

Os termos de interação com dois e três fatores para o tipo e temperatura do vidro são estatisticamente significativos. Estas interações indicam que a relação entre cada uma das variáveis e a resposta depende do valor da outra variável. Por exemplo, o efeito do tipo de vidro na saída de luz depende da temperatura.

O termo polinomial, Temperatura*Temperatura, indica que a curvatura na relação entre a temperatura e a saída de luz é estatisticamente significativa.

Os principais efeitos não devem ser interpretados independentemente dos efeitos de interação e curvatura. Para obter uma melhor compreensão dos efeitos principais, efeitos de interação e curvatura em seu modelo, acesse Gráficos Fatoriais e Otimizador de Resposta.

Etapa 2: Determine se o modelo ajusta bem os dados

Para determinar se o modelo ajusta bem os dados, examine as estatísticas de qualidade do ajuste tabela do resumo do modelo.

S

Use S para avaliar se o modelo descreve bem a resposta. Use S em vez das estatísticas de R2 para comparar o ajuste de modelos que não têm constante.

S é medido nas unidades da variável de resposta e representa o quão longe os valores de dados caem dos valores ajustados. Quanto mais baixo for o valor de S, melhor o modelo descreve a resposta. No entanto, um valor de S baixo por si só não indica que o modelo satisfaz aos pressupostos do modelo. Você deve verificar os gráficos de resíduos para conferir os pressupostos.

R2

Quanto mais alto o valor de R2 melhor o modelo ajusta seus dados. O valor de R2 está sempre entre 0 e 100%.

O R2 sempre aumenta quando você adiciona mais preditores a um modelo. Por exemplo, o melhor modelo de cinco preditores terá sempre um R2 que é pelo menos tão elevado quanto o melhor modelo de quatro preditores. Portanto, R2 é mais útil quando for comparado a modelos do mesmo tamanho.

R2 (aj)

Use o R2 ajustado quando desejar comparar modelos que têm diferentes números de preditores. R2 sempre aumenta quando você adiciona um preditor ao modelo, mesmo quando não existe uma verdadeira melhoria ao modelo. O valor de R2 ajustado incorpora o número de preditores no modelo para ajudá-lo a escolher o modelo correto.

R2 (pred)

Use R2 predito para determinar o quão bem seu modelo prediz as respostas para novas observações. Modelos que têm valores de R2 predito mais elevado têm melhor capacidade preditiva.

Um R2 predito que é substancialmente menor que o R2 pode indicar que o modelo está com excesso de ajuste. Um modelo com excesso de ajuste ocorre quando você adiciona termos para efeitos que não são importantes na população. O modelo se adapta aos dados de amostra e, por conseguinte, pode não ser útil para fazer predições em relação à população.

O R2 previsto também pode ser mais útil do que o R2 ajustado para a comparação de modelos, porque ele é calculado com as observações que não estão incluídas no cálculo do modelo.

Considere os seguintes pontos ao interpretar os valores de R2:
  • Amostras pequenas não fornecem uma estimativa precisa da força da relação entre a resposta e os preditores. Se você precisar que R2 seja mais exato, deve usar uma amostra maior (geralmente, 40 ou mais).

  • R2 é apenas uma medida de o quão bem o modelo ajusta os dados. Mesmo quando um modelo tem um R2 elevado, você deve verificar os gráficos de resíduos para conferir se o modelo satisfaz os pressupostos do modelo.

Sumário do Modelo S R2 R2(aj) R2(pred) 19,1185 99,73% 99,61% 99,39%
Principais resultados: S, R2, R2 (aj), R2 (pred)

Nestes resultados, o modelo explica 99,73% da variação na saída de luz das amostras de visores de vidro. Por estes dados, o valor de R2 indica que o modelo fornece um bom ajuste aos dados. Se os modelos adicionais forem ajustados com diferentes preditores, utilize os valores de R2 ajustados e os valores de R2 preditos para comparar se os modelos ajustam bem os dados.

Etapa 3: Determinar se o modelo atende às suposições da análise

Use os gráficos de resíduos para ajudar a determinar se o modelo é adequado e satisfaz aos pressupostos da análise. Se os pressupostos não forem satisfeitos, o modelo pode não ajustar bem os dados e você deve ter cautela ao interpretar os resultados.

Para obter mais informações sobre como lidar com os padrões nos gráficos residuais, vá para Gráficos de resíduos para Ajustar modelo linear generalizado e clique no nome do gráfico residual na lista na parte superior da página.

Gráficos de resíduos versus de ajustes

Use o gráfico de resíduos versus ajustes para verificar a pressuposição de que os resíduos são aleatoriamente distribuídos e têm variância constante. De maneira ideal, os pontos devem cair aleatoriamente em ambos os lados de 0, sem padrões reconhecíveis nos pontos.

Os padrões na seguinte tabela podem indicar que o modelo não atende às suposições do modelo.
Padrão O que o padrão pode indicar
Dispersão grande ou irregular de resíduos entre valores ajustados Variância não constante
Curvilíneo Um termo de ordem mais alta ausente
Um ponto que está distante de zero Um outlier
Um ponto que é distante dos outros pontos na direção x Um ponto influente
Neste gráfico de resíduos versus valores ajustados, os dados não parecem estar aleatoriamente distribuídos em torno de zero. Não há evidências de que o valor dos resíduos depende do valor ajustado.

Gráfico de resíduos versus ordem

Use o gráfico de resíduos versus ordem para verificar o pressuposto de que os resíduos são independentes um do outro. Resíduos independentes não mostram tendências nem padrões quando exibidos em ordem temporal. Os padrões nos pontos podem indicar que os resíduos próximos uns dos outros podem ser correlacionados e, portanto, não são independentes. De maneira ideal, os resíduos no gráfico devem cair aleatoriamente em torno da linha central:
Se você vir um padrão, investigue a causa. Os seguintes tipos de padrões podem indicar que os resíduos são dependentes.
Tendência
Deslocamento
Ciclo
Neste gráfico de resíduos versus ordem, os resíduos não parecem cair aleatoriamente em torno da linha central. Não há evidências de que os resíduos não são independentes.

Gráficos de probabilidade normal dos resíduos

Use o gráfico de probabilidade normal de resíduos para verificar a pressuposição de que os resíduos são distribuídos normalmente. O gráfico de probabilidade normal dos resíduos deve seguir aproximadamente uma linha reta.

Os padrões na seguinte tabela podem indicar que o modelo não atende às suposições do modelo.
Padrão O que o padrão pode indicar
Não é uma linha reta Não normalidade
Um ponto que está distante da linha Um outlier
Alteração de inclinação Uma variável não identificada
Neste gráfico de probabilidade normal, os pontos, em geral, seguem uma linha reta. Não há nenhuma evidência de não normalidade, outliers ou variáveis não identificadas.
Ao usar esse site, você concorda com a utilização de cookies para análises e conteúdo personalizado.  Leia nossa política