Selecionar as opções para Ajustar modelo de Poisson

Estat > Regressão > Regressão de Poisson > Ajustar modelo de Poisson > Opções

Neste tópico

Função de ligação
Pesos
Nível de confiança para todos os intervalos
Tipo de intervalo de confiança
Resíduos para diagnósticos
Teste para a tabela ANOVA

Função de ligação

O Minitab fornece três funções de ligação, que permitem ajustar uma ampla variedade de modelos de resposta de Poisson. Escolha uma função de ligação que resulte em um bom ajuste para os dados. Examine as estatísticas de qualidade do ajuste na saída para comparar quão bem o modelo se ajusta aos dados usando diferentes funções de ligação. Você também pode escolher funções de ligação por motivos históricos ou porque elas têm um significado especial em sua disciplina. Para obter mais informações, vá para O que é uma função de ligação?.

Em geral, as funções de ligação são úteis para uma resposta que descreve o número de vezes que um evento ocorre por 3 motivos:

A relação entre as preditoras e a resposta é uma função não-linear.
A variabilidade da resposta aumenta conforme a média da resposta aumenta.
A resposta deve ser maior que 0.

Função de ligação

Selecione uma das seguintes funções de ligação:

Log: Use a função de ligação de log na maioria dos casos porque ela tem melhores propriedades matemáticas do que a função de ligação de raiz quadrada. A função de ligação de log e a função de ligação de raiz quadrada asseguram que todos os valores preditos sejam não-negativos.
Raiz quadrada: Use a função de ligação de raiz quadrada quando a função de ligação de log não se ajustar, mas a natureza da variável de resposta requer uma função de ligação para um ajuste adequado. A função de ligação de raiz quadrada assegura que todos os valores preditos sejam não-negativos e tenham coeficientes com erros padrão assintoticamente iguais.
Identidade: Use a função de ligação de identidade para um modelo que não precisa de uma função de ligação para um ajuste adequado. Essa função de ligação é útil quando o intervalo de valores de resposta é restrito o suficiente que as 3 vantagens gerais de usar uma função de ligação não se aplicam. Quando a função de ligação da identidade se ajusta, a interpretação do modelo é mais simples.
Observação
Os resultados do Ajustar modelo de Poisson com a função de ligação da identidade não corresponderão aos resultados do Ajuste do modelo de regressão. Ajustar modelo de Poisson usa o método de estimativa da máxima verossimilhança. Ajuste do modelo de regressão uses o método de estimativa de mínimos quadrados.

Pesos

Em Pesos, insira uma coluna numérica de pesos para realizar a regressão ponderada. Os pesos devem ser maiores que ou iguais a zero. A coluna dos pesos deve ter o mesmo número de linhas que a coluna das respostas. Para obter mais informações sobre a determinação do peso apropriado, vá para Regressão ponderada.

Nível de confiança para todos os intervalos

Insira o nível de confiança dos intervalos de confiança dos coeficientes e os valores ajustados.

Em geral, um nível de confiança de 95% funciona bem. Um nível de confiança de 95% indica que, se você extrair 100 amostras aleatórias da população, os intervalos de confiança para aproximadamente 95 das amostras conterão a resposta média. Para um determinado conjunto de dados, um nível de confiança mais baixo produz um intervalo de confiança mais estreito e um nível de confiança mais alto produz um intervalo de confiança mais amplo.

Observação

Para exibir os intervalos de confiança, você deve acessar a subcaixa de diálogo Resultados, e em Exibição dos resultados, selecione Tabelas expandidas.

Tipo de intervalo de confiança

Você pode selecionar um intervalo bilateral ou um limite unilateral. Para o mesmo nível de confiança, um limite está mais perto da estimativa do ponto do que do intervalo. O limite superior não fornece um valor inferior provável. O limite inferior não fornece um valor superior provável.

Por exemplo, o número médio de pacientes que vem para uma clínica em uma determinada hora é 4,58. O intervalo de confiança de 95% do número médio de eventos de múltiplas observações futuras é 2,7 a 6,5. O limite superior de 95% da média é 6,2, que é mais preciso porque o limite está mais perto da média predita.

Bilateral: Use um intervalo de confiança bilateral para estimar os valores prováveis inferior e superior do número médio de eventos.
Limite inferior: Use um limite de confiança inferior para estimar um valor inferior provável do número médio de eventos.
Limite superior: Use um limite de confiança superior para estimar um valor provável mais alto para o número médio de eventos.

Resíduos para diagnósticos

Os resíduos deviance e de Pearson ajudam a identificar padrões nos gráficos de resíduos e outliers. As observações que são insuficientemente ajustadas pelo modelo têm resíduos deviance e de Pearson altos. O Minitab calcula os valores de resíduos para cada padrão de fator/covariável distinto.

Desviância: Os resíduos deviance são uma medida de quão bem o modelo prediz a observação. Os resíduos deviance são frequentemente preferidos para uma regressão logística que usa a função de ligação logit porque a distribuição dos resíduos é mais parecido com a distribuição dos resíduos de modelos de mínimos quadrados. A função de ligação logit é a função de ligação mais comum.
Pearson: Os resíduos de Pearson também são uma medida de quão bem o modelo prediz a observação. Uma abordagem comum para identificação de outliers é representar os resíduos de Pearson pela ordem das observações na worksheet.

Teste para a tabela ANOVA

Selecione o teste para a tabela ANOVA.

Teste de Wald: o teste de Wald padrão funciona bem na maioria dos casos.
Teste da razão de verossimilhança: use esta opção se preferir o teste da razão de verossimilhança.

Tipo de Desviância

Selecione uma deviance para o cálculo dos valores de qui-quadrado e os valores-p. É mais comum usar a deviance ajustada. Use a desviância sequencial para determinar o significado de termos pela ordem em que eles entram no modelo.

Ajustado (Tipo III): mede a redução na desviância para cada termo relativo a um modelo que contém todos os termos restantes.
Sequencial (Tipo I): mede a redução na desviância quando um termo é adicionado a um modelo que contém somente os termos antes dele.