Tabela de ajustes e diagnósticos marginais para Modelo de efeitos mistos de ajuste

Encontre definições e orientações de interpretação para cada estatística na tabela de ajustes e diagnósticos marginais.

Ajuste marginal

Os ajustes marginais representam respostas médias em vários níveis de fator fixo. Os ajustes marginais são calculados a partir das equações ajustadas marginais.

Ajuste SE

O erro padrão do ajuste (EP fit) estima a variação na resposta da média estimada para as configurações de variável especificadas. O cálculo do intervalo de confiança para a resposta média usa o erro padrão do ajuste. Os erros padrão são sempre não negativos.

DF para a média marginal

Os graus de liberdade (DF) representam a quantidade de informações nos dados para estimar o intervalo de confiança da média de resposta.

Interpretação

Use o DF para comparar quanta informação está disponível sobre diferentes médias marginais. Geralmente, mais graus de liberdade tornam o intervalo de confiança para a média mais estreito do que um intervalo com menos graus de liberdade. Como os erros padrão das médias para diferentes observações são diferentes, o intervalo de confiança para uma média com mais graus de liberdade não tem que ser mais estreito do que um intervalo de confiança para uma média com menos graus de liberdade.

Intervalo de confiança para a média marginal (IC de 95%)

Estes intervalos de confiança (IC) são amplitudes de valores que apresentam a probabilidade de conter as respostas médias marginais correspondentes.

Como as amostras são aleatórias, é improvável que duas amostras de uma população produzam intervalos de confiança idênticos. Mas, se você extrair amostras várias vezes, 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.

O intervalo de confiança é composto pelas duas partes a seguir:
Estimativa de ponto
A estimativa de ponto é a estimativa do parâmetro que é calculada a partir dos dados da amostra. O intervalo de confiança é centrado em torno deste valor.
Margem de erro
A margem de erro define a largura do intervalo de confiança e é determinada pela variabilidade observada na amostra, o tamanho da amostra e o nível de confiança. Para calcular o limite superior do intervalo de confiança, a margem de erro é adicionada à estimativa pontual. Para calcular o limite inferior do intervalo de confiança, a margem de erro é subtraída da estimativa pontual.

Interpretação

Use os intervalos de confiança para avaliar se as respostas médias marginais são estatisticamente maiores do que, iguais a, ou menores do que um valor específico. Você também pode usar os intervalos de confiança para determinar uma amplitude de valores para as respostas médias marginais desconhecidas correspondentes.

Resid marginal

Um resíduo (ei) é a diferença entre um valor observado (y) e o valor ajustado marginal correspondente, ().

Interpretação

Represente graficamente os resíduos para determinar se seu modelo é adequado e se atende as suposições de modelo de efeitos mistos. O exame dos resíduos pode fornecer informações úteis sobre quão bem o modelo se ajusta aos dados. Em geral, os resíduos devem ser distribuídos aleatoriamente, sem padrões óbvios e nenhum valor incomum. Se o Minitab determina que os dados incluem observações incomuns, ele identifica as observações na tabela Ajustes e Diagnósticos Marginais para Observações Incomuns na saída. As observações que o Minitab rotula como incomuns não seguem bem a equação marginal proposta. No entanto, espera-se que você tenha algumas observações incomuns. Por exemplo, com base nos critérios de grandes resíduos, espera-se que aproximadamente 5% das observações sejam sinalizadas como tendo um resíduo grande.

Resíd. pdr.

O resíduo marginal padronizado é igual ao valor de um resíduo, (ei), dividido por uma estimativa de seu desvio padrão.

Interpretação

Use os resíduos marginais padronizados para ajudar a detectar outliers. Resíduos marginais padronizados maiores do que 2 e menores do que -2 normalmente são considerados grandes. A tabela Ajustes e Diagnósticos Marginais para Observações Incomuns identifica essas observações com um 'R'. As observações que o Minitab rotula não seguem bem a equação ajustada marginal proposta. No entanto, espera-se que você tenha algumas observações incomuns. Por exemplo, com base nos critérios de grandes resíduos marginais padronizados, espera-se que aproximadamente 5% das observações sejam sinalizadas como tendo um grande resíduo padronizado.

Os resíduos marginais padronizados são úteis porque resíduos marginais brutos podem não ser bons indicadores de outliers. A variância de cada resíduo marginal bruto pode diferir pelos valores-x associados a ela. Esta variação desigual faz com que seja difícil avaliar as magnitudes dos resíduos marginais brutos. A padronização dos resíduos marginais soluciona esse problema convertendo as diferentes variâncias a uma escala comum.

Hi (leverage)

Hi em um modelo de efeitos mistos pode ser usado para identificar pontos de dados com as configurações de leverage alto apenas para termos de efeito fixo. A matriz de experimento usada para calcular Hi é a matriz de experimento para termos de efeitos fixos.

Interpretação

Os valores de Hi ficam entre 0 e 1. O Minitab identifica as observações com valores de leverage maiores do que 3p/n ou 0,99, o que for menor, com um X na tabela Ajustes e Diagnósticos Marginais para Observações Incomuns . Em 3p/n, p é o número de coeficientes do modelo e o símbolo n representa o número de observações. As observações que os Minitab rotula com um 'X' podem ser influentes.

As observações influentes têm um efeito desproporcional sobre o modelo e podem produzir resultados enganosos. Por exemplo, a inclusão ou exclusão de um ponto influente pode mudar se um coeficiente for estatisticamente significativo ou não. As observações influentes podem ser pontos de leverage, outliers ou ambos.

Se você vir uma observação influente, determine se ela é um erro de entrada de dados ou de medição. Se a observação não não for nem um erro de entrada de dados nem um erro de medição, determine o quão influente uma observação é. Em primeiro lugar, ajustar o modelo com e sem a observação. Em seguida, compare os coeficientes, valores-p, R2, e outras informações do modelo. Se o modelo mudar significativamente quando você remover a observação influente, examine o modelo ainda mais para determinar se você especificou incorretamente o modelo. Talvez seja necessário reunir mais dados para resolver o problema.

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