Interpretar os principais resultados para Análise de resposta binária para experimentos de superfície de resposta

Use um gráfico de Pareto dos efeitos padronizados para comparar a magnitude relativa e a significância estatística dos efeitos principais, quadrados e de interação.

O Minitab representa os efeitos padronizados na ordem decrescente de seus valores absolutos. A linha de referência no gráfico indica que os efeitos são significativos. Por padrão, o Minitab usa um nível de significância de 0,05 para traçar a linha de referência.

Para determinar se a associação entre a resposta e cada termo no modelo é estatisticamente significativa, compare o valor-p para o termo com o seu nível de significância a fim de avaliar a hipótese nula. A hipótese nula é que o coeficiente do termo é igual a zero, o que implica a não existência de uma associação entre o termo e a resposta. Geralmente, um nível de significância (denotado como α ou alfa) de 0,05 funciona bem. Um nível de significância de 0,05 indica um risco de 5% de se concluir que existe uma associação quando não existe uma associação real.

Valor-p ≤ α: a associação é estatisticamente significativa

Se o valor-p for menor ou igual ao nível de significância, é possível concluir que há uma associação estatisticamente significativa entre a variável resposta e o termo.

Valor-p > α: a associação não é estatisticamente significativa

Se o valor-p for maior ou igual ao nível de significância, não é possível concluir que há uma associação estatisticamente significativa entre a variável resposta e o termo. Talvez seja necessário reajustar o modelo sem o termo.

Se houver vários preditores sem uma associação estatisticamente significativa com a resposta, você pode reduzir o modelo removendo os termos um de cada vez. Para obter mais informações sobre como remover os termos do modelo, vá para Redução de modelo.

R2 da desviância

Normalmente, quanto maior o R² de deviance, melhor o modelo ajusta os dados. O R² de deviance está sempre entre 0 e 100%.

O R² da desviância sempre aumenta quando é adicionado termos a um modelo. Por exemplo, o melhor modelo de cinco termos terá sempre um R² que é pelo menos tão elevado quanto o modelo de quatro termos. Portanto, R² da desviância é mais útil quando for comparado a modelos do mesmo tamanho.

O arranjo de dados afeta o valor de R² da desviância. O R² da desviância é geralmente maior para dados com múltiplos ensaios por linha do que para dados com um único ensaio por linha. Os valores de R² da desviância só são comparáveis entre os modelos que usam o mesmo formato de dados.

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 valor desejável, você deve verificar os gráficos de resíduos e testes de qualidade do ajuste para avaliar se um modelo ajusta bem os dados.

R2 da desviância (aj.)

Use o R² da desviância ajustado quando desejar comparar modelos que têm diferentes números de termos. O R² da desviância sempre aumenta quando você adiciona um termo ao modelo. O valor de R² da desviância ajustado incorpora o número de termos no modelo para ajudá-lo a escolher o modelo correto.

AIC, AICc e BIC

Use o AIC, AICc e BIC para comparar modelos diferentes. Para cada estatística, valores menores são preferíveis. No entanto, o modelo com o menor valor para um conjunto de preditores não necessariamente ajusta bem os dados. Use também os testes de qualidade do ajuste e os gráficos de resíduos para avaliar se um modelo ajusta bem os dados.

Se o desvio é estatisticamente significativo, você pode tentar uma função de ligação diferente ou mudar os termos no modelo.