O stepwise remove e adiciona termos ao modelo com a finalidade de identificar um subconjunto útil dos termos. Se você escolher um procedimento stepwise, os termos que você especificar na subcaixa de diálogo Termos são candidatos para o modelo final. Para obter mais informações, acesse Usando a regressão de melhores subconjuntos e regressão stepwise.
Os métodos stepwise não estão disponíveis quando você tem um experimento de parcelas subdivididas.
Os termos que estão incluídos no modelo final podem depender de restrições de hierarquia para os modelos. Para obter mais informações, consulte o tópico sobre Hierarquia abaixo.
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
Você pode determinar como Minitab impõe a hierarquia do modelo durante um procedimento stepwise. O botão Hierarquia é desabilitado se você especificar um modelo não hierárquico na subcaixa de diálogo Termos.
Em um modelo hierárquico, todos os termos de ordem inferior que compõem os termos de ordem superior também aparecem no modelo. Por exemplo, um modelo que inclui o termo de interação A*B*C também deve incluir os termos: A, B, C, A*B, A*C e B*C como hierárquicos.
Os modelos devem ser hierárquicos caso você queira produzir uma equação em unidades não codificadas. No entanto, pese essa consideração contra o fato de que os modelos que contêm muitos termos podem ser relativamente imprecisos e podem reduzir a capacidade de predizer os valores de novas observações.