Tabela de ajustes de diagnósticos para Análise de experimento de mistura

Encontre definições e orientações de interpretação para cada estatística na tabela de ajustes de diagnósticos.

Ajuste

Valores ajustados são também chamados de ajustes ou . Os valores ajustados são estimativas pontuais de a resposta média para determinados valores dos preditores. Os valores dos preditores também são chamados valores de x.

Interpretação

Valores ajustados são calculados inserindo os valores x específicos para cada observação no conjunto de dados para o modelo da equação.

Por exemplo, se a equação for y = 5 + 10x, o valor ajustado para o valor de x, 2, é 25 (25 = 5 + 10(2)).

As observações com valores ajustados que são muito diferentes do valor observado pode ser incomuns. As observações com valores de preditor incomuns podem ser influentes. Se o Minitab determinar que os dados incluem valores incomuns ou influentes, a saída inclui a tabela de tabela Ajustes e Diagnósticos para Observações Incomuns, que identifica essas observações. As observações que o Minitab rotula como incomuns não seguem bem a equação de regressão proposta. No entanto, espera-se que você tenha algumas observações incomuns. Por exemplo, com base nos critérios de grandes resíduos padronizados, espera-se que aproximadamente 5% das observações sejam sinalizadas como tendo um grande resíduo padronizados. Para obter mais informações sobre valores incomuns, acesse Observações atípicas.

Ajuste SE

O erro padrão do ajuste (EP fit) estima a variação na resposta da média estimada para as configurações de variável especificadas. O cálculo do intervalo de confiança para a resposta média usa o erro padrão do ajuste. Os erros padrão são sempre não negativos.

Interpretação

Use o erro padrão do ajuste para medir a exatidão da estimativa da resposta média. Quanto menor o erro padrão, mais precisa é a resposta média predita. Por exemplo, um analista desenvolve um modelo para predizer o tempo de entrega. Para um conjunto de configurações de variável, o modelo prediz um tempo de entrega médio de 3,80 dias. O erro padrão do ajuste para estas configurações é 0,08 dias. Para o segundo conjunto de configurações de variáveis, o modelo produz o mesmo tempo de entrega médio, com um erro padrão de ajuste de 0,02 dias. O analista pode ter mais confiança de que o tempo médio de entrega para o segundo conjunto de configurações de variáveis está próximo de 3,80 dias.

Com o valor ajustado, é possível usar o erro padrão do ajuste para criar um intervalo de confiança para a resposta média. Por exemplo, dependendo do número de graus de liberdade, um intervalo de confiança de 95% se estende cerca de dois desvios padrão acima e abaixo da média prevista. Para os tempos de entrega, o intervalo de confiança de 95% para a média prevista de 3,80 dias, quando o erro padrão é de 0,08 é (3,64, 3,96) dias. Você pode ter 95% de confiança de que a média da população está dentro deste intervalo. Quando o erro padrão é de 0,02, o intervalo de confiança de 95% é (3,76, 3,84) dias. O intervalo de confiança para o segundo conjunto de definições de variáveis é mais estreito, porque o erro padrão é menor.

Resid

Um resíduo (ei) é a diferença entre um valor observado (y) e seu valor ajustado correspondente (), que é o valor predito pelo modelo.

Este gráfico de dispersão mostra o peso comparado com a altura para uma amostra de adultos do sexo masculino. A linha de regressão ajustada representa a relação entre altura e peso. Se a altura for igual a 6 pés, o valor ajustado para o peso é de 190 libras. Se o peso real for de 200 libras, o resíduo é 10.

Interpretação

Represente graficamente os resíduos para determinar se o seu modelo é adequado e atende aos pressupostos da regressão. O exame dos resídulos pode fornecer informações úteis sobre o quão bem o modelo ajusta os dados. Em geral, os resíduos devem ser distribuídos aleatoriamente, sem padrões óbvios e nenhum valor incomum. Se o Minitab determina que os dados incluem observações incomuns, ele identifica as observações na tabela Ajustes e Diagnósticos para Observações Incomuns na saída. As observações que o Minitab rotula como incomuns não seguem bem a equação de regressão proposta. No entanto, espera-se que você tenha algumas observações incomuns. Por exemplo, com base nos critérios de grandes resíduos, espera-se que aproximadamente 5% das observações sejam sinalizadas como tendo um resíduo grande. Para obter mais informações sobre valores incomuns, acesse Observações atípicas.

Std Resid

O resíduo padronizado é igual ao valor de um resíduo, ei, dividido por uma estimativa de seu desvio padrão.

Interpretação

Use resíduos padronizados para ajudar a detectar outliers. Resíduos padronizados maiores do que 2 e e menores do que -2 são normalmente considerados grandes. A tabela Ajustes e Diagnósticos para Observações Incomuns identifica essas observações com um 'R'. As observações que o Minitab rotula não seguem bem a equação de regressão proposta. No entanto, espera-se que você tenha algumas observações incomuns. Por exemplo, com base nos critérios de grandes resíduos padronizados, espera-se que aproximadamente 5% das observações sejam sinalizadas como tendo um grande resíduo padronizados. Para obter mais informações, vá para Observações atípicas.

Os resíduos padronizados são úteis porque resíduos brutos podem não ser bons indicadores de outliers. A variância de cada resíduo bruto pode diferir pelos valores de x associados. Esta variação desigual faz com que seja difícil avaliar as magnitudes dos resíduos brutos. A padronização dos resíduos resolve este problema convertendo as diferentes variâncias para uma escala comum.