Predições de efeito aleatório para Estudo de estabilidade

Encontre definições e orientações de interpretação para as predições de efeito aleatório.

BLUP

As Melhores predições lineares não viciadas (BLUP) são coeficientes estimados para níveis de um termo de lote aleatório. Com esses coeficientes, você pode determinar o intercepto e a inclinação para as equações condicionais ajustadas, que predizem os valores ajustados para os lotes específicos. Você pode exibir as equações condicionais usando Predizer para estudo de estabilidade.

Interpretação

Use a BLUP para estimar quão diferentes são os lotes. Valores de BLUP maiores para o fator de lote indicam que a validade dos lotes nos dados são mais diferentes na hora 0. Se a interação hora por lote não estiver no modelo, as validades dos lotes nos dados terão a mesma distância para todas as horas. Se a interação hora por lote estiver no modelo, os valores de BLUP mostram como os lotes se degradam em taxas diferentes.

Para os termos de lote, o BLUP mais positivo é para o Lote 1, aproximadamente 1,36. O BLUP do Lote 7 está mais perto de zero, aproximadamente 0,05. O ajuste condicional do Lote 1 na hora 0 é de aproximadamente 100,6 + 1,36 = 101,42. O ajuste condicional do Lote 7 é de aproximadamente 100,06 + 0,05 = 100,11.

Como a interação mês por lote também está no modelo, os valores da BLUP para as interações descrevem as diferenças em quão rápido os diferentes lotes se degradam. A BLUP de interação mais positiva é do Lote 2, de aproximadamente 0,02. Assim, os ajustes condicionais do Lote 2 mostram a menor degradação.

Coeficientes Termo Coef EP de Coef GL Valor-T Valor-P Constante 100,060247 0,268706 7,22 372,378347 0,000 Mês -0,138766 0,005794 7,22 -23,950196 0,000
Predições do Efeito Aleatório Termo BLUP DesvPad GL Valor-T Valor-P Lote 1 1,359433 0,313988 12,45 4,329567 0,001 2 0,395375 0,313988 12,45 1,259203 0,231 3 0,109151 0,313988 12,45 0,347629 0,734 4 -0,409322 0,313988 12,45 -1,303623 0,216 5 -0,135643 0,313988 12,45 -0,432001 0,673 6 -1,064736 0,313988 12,45 -3,391006 0,005 7 0,049420 0,313988 12,45 0,157394 0,877 8 -0,303678 0,313988 12,45 -0,967164 0,352 Mês*Lote 1 0,006281 0,008581 10,49 0,731925 0,480 2 0,019905 0,008581 10,49 2,319537 0,042 3 -0,013831 0,008581 10,49 -1,611742 0,137 4 0,003468 0,008581 10,49 0,404173 0,694 5 0,001240 0,008581 10,49 0,144455 0,888 6 0,000276 0,008581 10,49 0,032144 0,975 7 -0,010961 0,008581 10,49 -1,277272 0,229 8 -0,006378 0,008581 10,49 -0,743220 0,474

DesvPdr para BLUP

O desvio padrão da melhor predição linear não viciada (BLUP) estima a incerteza da estimativa de BLUP dos dados amostrais.

Interpretação

Use o desvio padrão do BLUP para medir a precisão da estimativa da BLUP. Quanto menor o desvio padrão, mais precisa é a estimativa. Dividir a BLUP pelo seu desvio padrão calcula um valor-t. Se o valor-p associado a esta estatística-t for menor do que o seu nível de significância (denotado como alfa ou α), você conclui que a diferença entre a BLUP e 0 é estatisticamente significativa.

DF para BLUP

Os graus de liberdade (DF) representam a quantidade de informações nos dados para estimar o intervalo de confiança e criar o teste para a Melhor predição linear não viciada (BLUP).

Interpretação

Use o DF para comparar quanta informação está disponível sobre as BLUPs. Geralmente, mais graus de liberdade tornam o intervalo de confiança para a BLUP mais estreito do que um intervalo com menos graus de liberdade.

Intervalo de confiança para BLUP (IC de 95%)

Estes intervalos de confiança (IC) são amplitudes de valores que são prováveis de conter o valor verdadeiro da Melhor predição linear não viciada (BLUP) para cada lote aleatoriamente selecionado nos dados.

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.

O intervalo de confiança é composto pelas duas partes a seguir:
Estimativa de ponto
Este valor único estima um parâmetro populacional usando os seus dados amostrais. O intervalo de confiança é centrado em torno da estimativa pontual.
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 o intervalo de confiança para avaliar a estimativa da BLUP da população para cada lote.

Por exemplo, com um nível de confiança de 95%, é possível ter 95% de certeza de que o intervalo de confiança contém o valor da razão de chances 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.

Valor-t

O valor-t mede a razão entre a Melhor predição linear não viciada (BLUP) e seu erro padrão.

Interpretação

O Minitab usa o valor-t para calcular o valor-p, que pode ser usado para a tomada de uma decisão sobre a significância estatística dos valores BLUP.

É possível usar um valor-t para determinar se a hipótese nula deve ser rejeitada. Contudo, o valor-p é usado mais frequentemente porque o limite da rejeição é o mesmo, independente de quais sejam os graus de liberdade.

Valor-p para BLUP

O valor-p é uma probabilidade que mede a evidência contra a hipótese nula. As probabilidades inferiores fornecem evidências mais fortes contra a hipótese nula.

Interpretação

Para determinar se a Melhor predição linear não viciada (BLUP) é diferente de zero, compare o valor-p da BLUP ao nível de significância. A hipótese nula é que BLUP é zero, o que sugere que a predição daquele determinado lote não é diferente da predição de um lote selecionado aleatoriamente.

Valor de p ≤ α: a associação é estatisticamente significativa
Se o valor-p for menor ou igual ao nível de significância, é possível concluir que existe uma diferença estatisticamente significativa entre a BLUP e zero.
Valor de p > α: a associação não é estatisticamente significativa
Se o valor-p for maior que o nível de significância, não é possível concluir que existe uma diferença estatisticamente significativa entre a BLUP e zero.
Ao usar esse site, você concorda com a utilização de cookies para análises e conteúdo personalizado.  Leia nossa política