Especifique o método, os parâmetros e as informações da regressão stepwise a serem exibidas. As alterações feitas para os padrões permanecem até serem alterados novamente, mesmo depois que você sair do Minitab. O Minitab usa as configurações especificadas aqui cada vez que você usa uma das análises a seguir:
Os experimentos de mistura são diferentes das outras ferramentas de 2 maneiras. Se você selecionar Encaminhar critérios de informações como método padrão, o método padrão para experimentos de mistura permanece Nenhum. Além disso, os resultados para experimentos de mistura sempre mostram as mesmas informações.
- Método padrão
-
- Nenhum: ajuste com o modelo com todos os termos que você especificar em Termos.
- Encaminhar critérios de informações: O procedimento de critérios de informações forward adiciona o termo com o menor valor-p ao modelo em cada etapa. Os termos adicionais podem ser informados ao modelo em uma etapa se as configurações para análise permitirem a consideração de termos não hierárquicos, mas exigem que cada modelo seja hierárquico. O Minitab calcula os critérios de informação para cada etapa. Na maioria dos casos, o procedimento continua até que uma das seguintes condições ocorra:
- O procedimento não encontra um novo mínimo para o critério por 8 etapas consecutivas.
- O procedimento ajusta o modelo completo.
- O procedimento ajusta um modelo que deixa 1 grau de liberdade para o erro.
Se forem especificadas as configurações para o procedimento que requer um modelo hierárquico a cada etapa e que permita apenas um termo a ser inserido por vez, então o procedimento continua até que ou ele ajuste o modelo completo ou ajuste um modelo que deixe 1 grau de liberdade para o erro. O Minitab exibe os resultados da análise do modelo com o valor mínimo do critério de informações selecionado, seja ele AICc ou BIC.
- Stepwise: comece com um modelo vazio, em seguida, adicione ou remova um termo para cada etapa. Você pode especificar um conjunto inicial de termos a serem incluídos no modelo.
- Seleção forward: comece com um modelo vazio, em seguida, adicione o termo potencial mais significativo ao modelo para cada etapa.
- Eliminação backward: comece com todos os termos potenciais no modelo, em seguida, remova o termo menos significativo de cada etapa.
- Encaminhar informações
-
Especifique quais critérios de informações devem ser usados na seleção progressiva.
Tanto AICc como BIC avaliam a verossimilhança do modelo e aplicam uma penalidade para adicionar termos ao modelo. Tal penalidade reduz a tendência de sobreajuste do modelo aos dados amostrais. Essa redução pode produzir um modelo com melhor desempenho geral.
Como orientação geral, quando o número de parâmetros é pequeno em relação ao tamanho amostral, o BIC tem uma penalidade maior do que o AICc para a adição de cada parâmetro. Nesses casos, o modelo que minimiza o BIC tende a ser menor do que o modelo que minimiza o AICc.
Em alguns casos comuns, tais como filtragens de experimento, o número de parâmetros geralmente é grande em relação ao tamanho amostral. Nesses casos, o modelo que minimiza o AICc tende a ser menor do que o modelo que minimiza o BIC. Por exemplo, para uma filtragem de experimento definitiva de 13 ensaios, o modelo que minimiza o AICc tenderá a ser menor que o modelo que minimiza o BIC no conjunto de modelos com 6 ou mais parâmetros.
Para obter mais informações sobre AICc e BIC, consulte Burnham e Anderson.1
- Parâmetros do Stepwise
-
- Alfa para entrada: especifique os critérios para a inserção de um novo termo no modelo.
- Alfa para remoção: especifique os critérios para a remoção do termo do modelo.
- Parâmetro de Seleção Forward
-
- Alfa para entrada: especifique os critérios para a inserção de um novo termo no modelo.
- Parâmetro de Eliminação Backward
-
- Alfa para remoção: especifique os critérios para a remoção do termo do modelo.
- Exibir a tabela de detalhes da seleção do modelo
-
Exiba informações sobre o procedimento stepwise em uma tabela.
- Detalhes sobre o método: exiba o tipo de procedimento stepwise e os valores de alfa que são usados para adicionar e/ou remover um termo do modelo.
- Incluir detalhes para cada etapa: exiba os coeficientes e valores-p, Cp de Mallow e estatísticas de resumo do modelo para cada etapa do procedimento.
1 Burnham, K. P., & Anderson, D. R. (2004). Multimodel inference: Understanding AIC and BIC in model selection.
Sociological Methods & Research, 33(2), 261-304. doi:10.1177/0049124104268644
