Todas as estatísticas para Predizer para Modelo de efeitos mistos de ajuste

Encontre definições e interpretação para as estatísticas fornecidas com a análise de predição.

Equação ajustada condicional e marginal

Use as equações ajustadas marginais para estimar as médias da população da resposta a diferentes níveis dos fatores fixos e diferentes valores de covariáveis. As equações ajustadas marginais assumem que as médias para os termos de fator aleatório são zero.

Use as equações condicionais para calcular as médias condicionais para a resposta aos níveis específicos de fatores fixos e aleatórios. Condicional implica condicional sobre os determinados níveis de fatores aleatórios.

Como um modelo de efeitos mistos inclui fatores, as equações ajustadas são exibidos em uma tabela para todas as combinações de níveis de fatores no modelo.

Configurações

O Minitab usa as equações ajustadas e os ajustes variáveis para calcular os ajustes. Se as definições das variáveis são incomuns em comparação com os dados que foram utilizados para estimar o modelo, é exibido um aviso abaixo da predição.

Use a tabela de definição de variáveis para verificar se a análise foi realizada da forma desejada.

Ajuste

Os ajustes condicionais são as estimativas para os valores médios de resposta, tanto nas configurações de fator fixas como aleatórias dadas no conjunto de dados. Os ajustes condicionais são calculados a partir das equações ajustadas condicionais.

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 de IC

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

Interpretação

Use o DF para comparar quanta informação está disponível sobre diferentes médias condicionais e 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 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 (IC)

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

DF de PI

Os graus de liberdade (DF) para o intervalo de predição (PI) representam a quantidade de informação contida nos dados para estimar o intervalo de predição correspondente.

Intervalo de predição (PI)

O intervalo de predição é um intervalo que provavelmente contém uma única resposta futura para uma combinação selecionada de configurações de variável. Se você coletar outro ponto de dados com as mesmas definições de variável, o novo ponto de dados provavelmente estará dentro do intervalo de previsão. Intervalos de predição mais estreitos indicam uma predição mais precisa.

Interpretação

Use os intervalos de predição (IP) para avaliar a precisão das previsões. Os intervalos de predição ajudam a avaliar a significância prática de seus resultados. Se um intervalo de previsão se estende para fora dos limites aceitáveis, as previsões podem não ser suficientemente precisas para suas necessidades.

Use o intervalo de predição marginal quando não souber os níveis reais dos fatores aleatórios. Use o intervalo de predição condicional quando souber a combinação específica das configurações de fatores aleatórios.

Nestes resultados, os intervalos de predição indicam que você pode ter 95% de certeza de que um único novo rendimento para a variedade 1 de alfafa do campo 1 estará entre 3,462 e 4,309, e um único novo rendimento para a variedade 1 de alfafa a de um campo selecionado aleatoriamente estará entre 2,536 e 4,424.

Predição para Rendimento

Informações sobre o modelo de efeitos mistos Termos Campo Variedade
Configurações Variável Configuração Campo 1 Variedade 1
Predição EP do Tipo Ajuste Ajustado GL de IC IC de 95% GL de IP IP de 95% Condicional 3,885 0,103 15,58 (3,666; 4,104) 15,16 (3,462; 4,309) Marginal 3,480 0,163 4,92 (3,058; 3,902) 4,92 (2,536; 4,424)
Tipo Condicional Marginal X X denota um ponto atípico relativo aos níveis dos preditores usados para ajustar o modelo.
Ao usar esse site, você concorda com a utilização de cookies para análises e conteúdo personalizado.  Leia nossa política