Tabela Resumo do Modelo de Ajustar modelo de efeitos mistos

Encontre definições e orientações para a interpretação para cada estatística na tabela do resumo do modelo.

Neste tópico

S
R2
R2 (aj)
AICc e BIC

S

S é o desvio padrão estimado do termo de erro. Quanto menor é o valor de S, melhor a equação ajustada condicional descreve a resposta nas configurações de fatores selecionadas. No entanto, um valor de S por si, não descreve completamente a adequação do modelo. Analise também os principais resultados de outras tabelas e os gráficos de resíduos.

R2

R² representa a porcentagem de variação na resposta que é explicada pelo modelo. Ele é calculado como 1 menos a razão da soma dos quadrados dos erros (que é a variação que não é explicada pelo modelo) para a soma total dos quadrados (que é a variação total no modelo).

Interpretação

Use R² para determinar se o modelo ajusta bem os dados. Quanto mais alto for o valor de R², mais variação nos valores de resposta será explicada pelo modelo. O valor de R² está sempre entre 0 e 100%.

Considere as seguintes questões ao interpretar o valor de R²:

Assumindo-se que os modelos tenham a mesma estrutura de covariância, R² aumenta quando você adiciona mais fatores fixos versus covariáveis. Portanto, R² é mais útil quando for comparado a modelos do mesmo tamanho.
Amostras pequenas não fornecem uma estimativa precisa da força da relação entre a resposta e os preditores. Por exemplo, se você precisar que R² seja mais exato, deve usar uma amostra maior (geralmente, 40 ou mais).
A estatística de qualidade do ajuste é apenas uma medida do grau em que o modelo ajusta os dados (se ajusta bem ou mal). Mesmo quando um modelo tem um um valor desejável, você deve verificar os gráficos de resíduos para conferir se o modelo atende aos pressupostos do modelo.

R2 (aj)

Use o R² ajustado quando quiser comparar modelos com a mesma estrutura de covariância, mas tiver um número diferente de fatores fixos e covariáveis. Assumindo-se que os modelos tenham a mesma estrutura de covariância, R² aumenta quando você adiciona mais fatores fixos versus covariáveis. O valor de R² ajustado incorpora o número de fatores fixos e covariáveis no modelo para ajudá-lo a escolher o modelo correto.

AICc e BIC

O Critério de Informação de Akaike Corrigido (AICc) e o Critério de Informação Bayesiano (BIC) são medidas da qualidade relativa de um modelo que consideram o ajuste e a quantidade de termos no modelo.

Interpretação

Use o AIC e o BIC para comparar modelos diferentes. É desejável que o resultado apresente valores menores. No entanto, o modelo com o menor valor para um conjunto de preditores não necessariamente ajusta bem os dados. Além disso use os testes e os gráficos de resíduos para avaliar se o modelo ajusta bem os dados.

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

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