Um engenheiro projetista eletrônico estuda o efeito da temperatura operacional e três tipos de vidro na emissão de luz de um tubo de osciloscópio.
Para estudar o efeito da temperatura, tipo de vidro e a interação entre esses dois fatores, o engenheiro utiliza um modelo linear generalizado.
Na tabela Análise da Variância, os valores p para todos os termos são 0,000. Como os valores de p são menores que o nível de significância de 0,05, o engenheiro pode concluir que os efeitos são estatisticamente significativos.
O valor de R2 mostra que o modelo explica 99,73% da variância na saída de luz, o que indica que o modelo ajusta muito bem os dados.
As VIFs são muito elevadas. Valores de VIF que são maiores do que 5-10 sugerem que os coeficientes de regressão são mal estimados devido à multicolinearidade grave. Neste caso, as VIFs são altas por causa dos termos de ordem superior. Os termos de ordem superior estão correlacionados com os termos de efeitos principais porque os temos de ordem superior também incluem os termos de efeitos principais. Para reduzir as VIFs, você pode padronizar as covariáveis na subcaixa de diálogo Codificação.
Observações com grandes resíduos padronizados ou grandes valores de leverage são sinalizadas. Neste exemplo, dois valores têm resíduos padronizados cujos valores absolutos são maiores do que 2. Você deve investigar observações incomuns, porque elas podem produzir resultados enganosos.