Tabela Método de Ajuste do modelo de regressão

Encontre definições e interpretações para cada estatística na tabela Método.

Neste tópico

Codificação de preditores categóricos
Padronização da preditora contínua
λ estimado
IC de 95% para λ
λ arredondado
Validação

Codificação de preditores categóricos

O Minitab pode usar o esquema de codificação (0, 1) ou (−1, 0, +1) para incluir variáveis categóricas no modelo. O esquema (0, 1) é o padrão para análise de regressão, enquanto o esquema (−1, 0, +1) é o padrão para ANOVA e DOE. A escolha entre estes dois esquemas não altera a significância estatística das variáveis categóricas. No entanto, o esquema de codificação realmente altera os coeficientes e a maneira de interpretá-los.

Interpretação

Verifique se o esquema de codificação que é exibido garante que você tenha realizado a análise pretendida. Interprete os coeficientes para as variáveis categóricas como a seguir:

Com o esquema de codificação (0, 1), cada coeficiente representa a diferença entre cada média de nível e a média de nível de referência. O coeficiente para o nível de referência não é exibido na tabela Coeficientes.
Com o esquema de codificação (−1, 0,+1), cada coeficiente representa a diferença entre cada média de nível e a média global.

Padronização da preditora contínua

Se você optou por padronizar os preditores contínuos em seu modelo, o Minitab fornece detalhes sobre o método na tabela padronização preditor Contínuo.

Normalmente, você usa a padronização para centralizar variáveis, dimensionar variáveis ou ambas as coisas. Quando você centraliza as variáveis, reduz a multicolinearidade causada por termos polinomiais e termos de interação, o que melhora a precisão das estimativas dos coeficientes. Na maioria dos casos, quando você dimensionar as variáveis, o Minitab converte as diferentes escalas das variáveis para uma escala comum, o que permite comparar o tamanho dos coeficientes.

Interpretação

Use a tabela do método de padronização para garantir que você realizou a análise da forma desejada. Dependendo de sua escolha para o método, talvez seja necessário mudar a interpretação dos coeficientes da seguinte forma:

Especificar níveis inferior e superior para codificar como -1 e +1: Este método tanto centraliza quanto dimensiona as variáveis. O Minitab usa este método no planejamento de experimentos (DOE). Os coeficientes representam a alteração média na resposta associada aos valores altos e baixos especificados.
Subtrai a média e divide pelo desvio padrão: Este método tanto centraliza quanto dimensiona as variáveis. Cada coeficiente representa a mudança esperada na resposta dada a uma mudança de um desvio padrão na variável.
Subtrair a média: Este método centraliza as variáveis. Cada coeficiente representa a mudança esperada na resposta dada a mudança de uma unidade na variável, utilizando a escala de medição original. Ao subtrair a média, o coeficiente constante está estimando a resposta média, quando todos os preditores estão em seus valores médios.
Dividir pelo desvio padrão: Este método dimensiona as variáveis. Cada coeficiente representa a mudança esperada na resposta dada a uma mudança de um desvio padrão na variável.
Subtrair um valor especificado e dividir por outro: O efeito e a interpretação deste método dependem dos valores que inseridos.

λ estimado

Quando você usa uma transformação Box-Cox, o λ (lambda) estimado é o valor ideal para produzir valores de resposta transformados que são normalmente distribuídos. Por padrão, o Minitab usa o valor de lambda arredondado.

Interpretação

Lambda é o expoente que o Minitab utiliza para transformar os dados de resposta. Por exemplo, se lambda = -1, então todos os valores de resposta (Y) são transformados como se segue: −Y^-1 = −1/Y. Se lambda é igual a 0, isso representa o logaritmo natural de Y em vez de Y⁰.

IC de 95% para λ

Os intervalos de confiança para λ (lambda) são faixas de valores que tendem a conter o verdadeiro valor de λ para toda a população a partir da qual sua amostra foi tirada.

Como as amostras são aleatórias, é improvável que duas amostras de uma população produzam intervalos de confiança idênticos. No entanto, se você extrair muitas amostras aleatórias, uma determinada porcentagem dos intervalos de confiança resultantes conterá o parâmetro populacional desconhecido. A porcentagem destes intervalos de confiança que contém o parâmetro é o nível de confiança do intervalo.

Interpretação

Use o intervalo de confiança para avaliar a estimativa de lambda para a sua amostra.

Por exemplo, com um nível de confiança de 95%, é possível ter 95% de certeza de que o intervalo de confiança contém o valor de lambda para a população. 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. Se o intervalo for muito amplo para ser útil, pense em aumentar o tamanho da amostra.

λ arredondado

Por padrão, o Minitab arredonda o λ (lambda) ideal para a metade mais próxima, porque esses valores correspondem a uma transformação mais intuitiva. Se você quiser usar o valor ideal para a transformação, escolha Arquivo > Opções > Modelos Lineares > Exibição dos Resultados.

Interpretação

A seguir, apresentamos os valores arredondados comuns de lambda e como eles transformam a variável de resposta.

Lambda	Transformação
-2	−Y^-2 = −1 / Y²
-1	−Y^-1 = −1 / Y
-0,5	−Y^-0,5 = −1 / (raiz quadrada de Y)
0	log (Y)
0,5	Y^0,5 = raiz quadrada de Y
1	Y
2	Y²

Validação

Quando você usa um conjunto de dados de teste, a tabela mostra a porcentagem dos dados que estão no conjunto de dados do teste. Quando você usa validação cruzada, a tabela mostra o número de dobras. Quando você especifica uma coluna que determina quais observações estão no conjunto de dados de teste ou quais observações estão em cada duplicação, a tabela mostra o título da coluna.

Interpretação

Verifique se método de validação que está em resultados garante que você tenha realizado a análise pretendida.