Aviso
Agora você está saindo do support.minitab.com.
Clique em Continuar para prosseguir para:
O valor ajustado também é chamado probabilidade do evento ou probabilidade predita. A probabilidade do evento é a chance de que um evento ou resultado específico ocorra. A probabilidade do evento estima a verossimilhança de um evento ocorrer, como tirar um ás de um baralho de cartas ou de fabricar uma peça de não conformidade. A probabilidade de um evento varia de 0 (impossível) até 1 (certa).
Na regressão logística binária, uma variável de resposta tem apenas dois valores possíveis, como a presença ou ausência de uma doença em particular. A probabilidade do evento é a verossimilhança de que a resposta para um dado fator ou padrão de covariável é 1 para um evento (por exemplo, a verossimilhança de que uma mulher acima de 50 irá desenvolver diabetes tipo 2).
Cada execução de um experimento é chamada ensaio. Por exemplo, se você joga uma moeda para o ar 10 vezes e registra o número de caras, você executa 10 ensaios do experimento. Se os ensaios forem independentes e igualmente prováveis, você pode estimar a probabilidade do evento dividindo o número de eventos pelo número total de ensaios. Por exemplo, se você obtiver 6 caras em 10 lançamentos da moeda, a probabilidade estimada do evento (cara) é:
Número de eventos / número de ensaios = 6 / 1= = 0,6
Na regressão logística ordinal e nominal, uma variável de resposta pode ter três ou mais categorias. A probabilidade do evento é a verossimilhança de que um dado fator ou padrão de covariável tenha uma categoria de resposta específica. A probabilidade de evento acumulado é a verossimilhança de que a resposta de um dado fator ou padrão de covariável caia na categoria k ou abaixo, para cada k possível, onde k é igual às categorias de resposta, 1...k.
Um resíduo é uma medida de quão bem a observação é predita pelo modelo. As observações que são mal ajustadas pelo modelo têm resíduos grandes. O Minitab calcula os resíduos para cada padrão de fator/covariável distinto.
Represente graficamente os resíduos para determinar se seu modelo é adequado e se atende as suposições da regressão. O exame dos resíduos pode fornecer informações úteis sobre quão bem o modelo se ajusta aos 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. Para obter mais informações sobre valores incomuns, acesse Observações atípicas.
O resíduo padronizado é igual ao valor de um resíduo, (ei), dividido por uma estimativa de seu desvio padrão.
Use os resíduos padronizados para ajudar a detectar outliers. Resíduos padronizados maiores do que 2 e e menores do que -2 normalmente são considerados grandes. A tabela Ajustes e Diagnósticos para Observações Incomuns identifica essas observações com um 'R'. Quando a análise indica que há muitas observações incomuns, o modelo geralmente apresenta uma falta de ajuste significativa. Ou seja, o modelo não descreve adequadamente a relação entre os fatores e a variável de resposta. 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-x associados a ela. Esta escala desigual torna difícil avaliar os tamanhos dos resíduos brutos. A padronização dos resíduos soluciona esse problema convertendo as diferentes variâncias a uma escala comum.
Agora você está saindo do support.minitab.com.
Clique em Continuar para prosseguir para: