Um cientista em um laboratório de química de alimentos analisa 60 amostras de farinha de soja. Para cada amostra, o cientista determina o teor de umidade e gordura, e os registram dados espectrais quase infravermelhos (NIR) em 88 comprimentos de onda. O cientista seleciona aleatoriamente 54 das 60 amostras e calcula a relação entre as respostas (umidade e gordura) e os preditores (88 comprimentos de onda NIR), utilizando regressão PLS. O cientista usa as 6 amostras restantes como conjunto de dados de teste para avaliar a capacidade preditiva do modelo.
- Abra os dados amostrais, FarinhaDeSoja.MTW.
- Selecione .
- Em Respostas, insira Umidade Gordura.
- Em Modelo, insira '1'-'88'.
- Clique em Predição.
- Em Nova observação para preditores contínuos, insira Teste1-Teste88.
- Em Nova observação para respostas (opcional), insira Umidade2 Gordura2.
- Clique em OK em cada caixa de diálogo.
Interpretar os resultados
Os valores-p para ambas as respostas são aproximadamente 0,000, que são menos do que o nível de significância de 0,05. Esses resultados indicam que pelo menos um coeficiente no modelo é diferente de zero. O valor de R2 de teste para umidade é de aproximadamente 0,9. O valor de R2 do teste é de quase 0,8. As estatísticas de R2 do teste indicam que os modelos predizem bem. A análise de cada resposta individualmente iria fornecer resultados diferentes.
Regressão MQP: Umidade; Gordura versus 1; 2; 3; 4; 5; 6; 7; 8; ...
