Tabela Análise de Variância para Gráfico de linha ajustada binária

Encontre definições e orientações de interpretação para cada estatística na tabela Análise de Variância.

Neste tópico

DF
Dev. aj.
Média aj.
Qui-quadrado
Valor-p – regressão
Valor-p – termo

DF

O total de graus de liberdade (DF) corresponde a quantidade de informações em seus dados. A análise usa essa informação para estimar os valores dos coeficientes. O total de DF é 1 a menos que o número de linhas nos dados. O DF de um termo mostra quantos coeficientes esse termo usa. Aumentar o número de termos em seu modelo adiciona mais coeficientes ao modelo, o que reduz a margem de erro do DF. O DF para erro corresponde aos graus de liberdade restantes que não são usados no modelo.

Observação

Para um desenho fatorial de 2 níveis ou um desenho Plackett-Burman, se um experimento tiver pontos centrais, um DF é para o teste de curvatura. Se o termo para pontos centrais estiver no modelo, a linha para curvatura faz parte do modelo. Se o termo para pontos centrais não estiver no modelo, a linha para curvatura corresponde à parte do erro usada para testar os termos que estão no modelo. Em desenhos de superfície de resposta e desenhos de triagem definitiva é possível estimar os termos quadrados, de forma que o teste para a curva é desnecessário.

Dev. aj.

As desviâncias ajustadas são medidas de variação de diferentes componentes do modelo. A ordem dos preditores no modelo não afetam o cálculo das desviâncias ajustadas. O Minitab separa o deviance em diferentes componentes que descrevem o deviance de diferentes fontes.

Regressão: O deviance ajustado do modelo de regressão quantifica a diferença entre o modelo atual e o modelo completo.
Termo: O deviance ajustado de um termo quantifica a diferença entre um modelo com aquele termo e o modelo completo.
Erro: A desviância ajustada do erro quantifica a desviância que o modelo não explica.
Total: A desviância ajustada total é a soma da desviância ajustada do modelo e a desviância ajustada do erro. A desviância ajustada total quantifica a desviância total nos dados.

Interpretação

O Minitab usa as desviâncias ajustadas para calcular o valor-p de um termo. O Minitab também usa as desviâncias ajustadas para calcular a estatística R² da desviância. Normalmente, você interpreta os valores-p e a estatística R² em vez das desviâncias.

Média aj.

A desviância média ajustada mede quanta desviância um termo ou modelo explica para cada grau de liberdade. O cálculo da desviância média ajustada de cada termo supõe que todos os outros termos estejam no modelo.

Interpretação

O Minitab usa o valor do qui-quadrado para calcular o valor-p para um termo. Normalmente, você interpreta os valores-p em vez dos quadrados médios ajustados.

Qui-quadrado

Cada termo na tabela ANOVA têm um valor qui-quadrado. O valor qui-quadrado é a estatística de teste que determina se um termo ou modelo tem uma associação com a resposta.

Interpretação

O Minitab usa a estatística de teste para calcular o valor-p, que é usado para a tomada de uma decisão sobre a significância estatística dos termos e do modelo. O valor-p é uma probabilidade que mede a evidência contra a hipótese nula. As probabilidades inferiores fornecem evidências mais fortes contra a hipótese nula. Uma estatística qui-quadrado suficientemente grande resulta em um pequeno valor-p, que indica que o termo ou modelo é estatisticamente significativo.

Valor-p – regressão

O valor-p é uma probabilidade que mede a evidência contra a hipótese nula. As probabilidades inferiores fornecem evidências mais fortes contra a hipótese nula.

Interpretação

Para determinar se os dados oferecem evidências de que pelo menos um coeficiente no modelo de regressão é diferente de 0, compare o valor-p da regressão com o seu nível de significância para avaliar a hipótese nula. A hipótese nula para o valor-p para a regressão é de que todos os coeficientes de termos no modelo de regressão são 0. Em geral, 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 pelo menos um coeficiente seja diferente de 0, quando todos os coeficientes são 0.

Valor-p ≤ α: pelo menos um coeficiente é diferente de 0: Se o valor p for menor ou igual ao nível de significância, é possível concluir que pelo menos um coeficiente é diferente de 0.
Valor-p > α: não existe evidência suficiente para concluir que pelo menos um coeficiente é diferente de 0: Se o valor p for maior ou igual ao nível de significância, não é possível concluir que pelo menos um coeficiente seja diferente de 0. Talvez você deseje ajustar um novo modelo.

Valor-p – termo

O valor-p é uma probabilidade que mede a evidência contra a hipótese nula. As probabilidades inferiores fornecem evidências mais fortes contra a hipótese nula.

Interpretação

Para determinar se a associação entre a variável de resposta e a variável preditora 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 para a variável preditora é igual a zero, o que indica que não há associação entre a variável preditora e a variável de 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 de resposta e a variável preditora.
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 de resposta e a variável preditora.