Ajuste
Os valores ajustados também são chamados de ajustes ou 
. Os valores ajustados são estimativas de ponto da resposta média para dados valores das preditoras. Os valores dos preditores também são chamados de valores-x. O Minitab usa a equação de regressão e as definições de variáveis para calcular o ajuste.
Interpretação
Valores ajustados são calculados com base nos valores-x selecionados na equação modelo para uma variável de resposta.
Por exemplo, se a equação for y = 5 + 10x, o valor ajustado do valor-x, 2, é 25 (25 = 5 + 10(2)).
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.
IC de 95%
O intervalo de confiança do ajuste fornece um intervalo de valores prováveis para a resposta média dadas as configurações especificadas dos preditores.
Interpretação
Use o intervalo de confiança para avaliar a estimativa do valor ajustado para os valores observados das variáveis.
Por exemplo, com um nível de confiança de 95%, você pode ter 95% de confiança de que o intervalo de confiança contém a média da população para os valores especificados das variáveis no modelo. O intervalo de confiança ajuda a avaliar a significância prática de seus resultados. Use seu conhecimento especializado para determinar se o intervalo de confiança inclui valores que tenham significância prática para a sua situação. Um amplo intervalo de confiança indica que você pode estar menos confiante sobre a média de valores futuros. Se o intervalo for muito amplo para ser útil, pense em aumentar o tamanho da amostra.
PI de 95%
O intervalo de predição é um intervalo que provavelmente contém uma única resposta futura para uma combinação selecionada de configurações de variável.
Interpretação
Use os intervalos de predição (IP) para avaliar a precisão das previsões. Os intervalos de predição ajudam a avaliar a significância prática de seus resultados. Se um intervalo de previsão se estende para fora dos limites aceitáveis, as previsões podem não ser suficientemente precisas para suas necessidades.
Com um IP de 95%, é possível ter 95% de confiança que uma resposta única estará contida no intervalo, dadas as definições dos preditores especificados. O intervalo de predição é sempre maior do que o intervalo de confiança devido à incerteza adicionada envolvida na predição da resposta única versus a resposta média.
Por exemplo, um engenheiro de materiais em uma fábrica de móveis desenvolve um modelo de regressão simples para predizer a rigidez de uma placa de aglomerado a partir da densidade da placa. O engenheiro verifica se o modelo atende às suposições da análise. Depois, o analista usa o modelo para predizer a rigidez.
A equação de regressão prediz que a rigidez de uma nova observação com uma densidade de 25 é de -21,53 + 3,541*25 ou 66,995. Apesar de ser improvável que essa observação tenha uma rigidez de exatamente 66,995, o intervalo de predição indica que o engenheiro pode ter 95% de confiança de que o valor real estará, aproximadamente, entre 48 e 86.
