Tabela Resumo de Regressão não-linear

Encontre definições e interpretações para cada estatística na tabela Resumo.

Neste tópico

Iterações
SSE final
DFE
MSE
S

Iterações

Este valor indica o número de iterações necessárias para se obter a soma final dos quadrados dos erros (SSE final). Geralmente, você não pode atribuir significado a este número. Contudo, se o número de iterações for igual ao número máximo de iterações exibidas na tabela Método, isso indica que o algoritmo não convergiu para uma solução. Em vez disso, o Minitab atingiu o número máximo de iterações e parou. Se isso ocorrer, você pode tentar mudar o algoritmo, o número máximo de iterações, os valores iniciais e a função da expectativa.

SSE final

O SSE final é a soma dos quadrados dos resíduos. Ele quantifica a variação nos dados que as preditoras não explicam. O valor exibido representa o menor SSE que o algoritmo pôde obter, dadas as condições de início.

Interpretação

Quanto menor o valor de SSE final, melhor o modelo descreve a resposta. Se você estiver comparando os modelos ou as condições de início, comparar vários valores de SSE final pode ser significativo. No entanto, talvez um único valor de SSE final não seja intuitivamente significativo. O Minitab usa o SSE final para calcular S, que é, normalmente, mais intuitivo de interpretar.

DFE

Os graus de liberdade do erro (DFE) é igual ao tamanho da amostra – o número de parâmetros. Em geral, os graus de liberdade totais (DF) são a quantidade de informações em seus dados e são determinados pelo número de observações em sua amostra. A análise usa aquelas informações para estimar os valores dos parâmetros.

MSE

O erro de quadrado médio (MSE) é a variância ao redor dos valores ajustados. MSE = SSE / DFE final.

Interpretação

A raiz quadrada do MSE é S. Normalmente, você interpreta S em vez de MSE.

S

S representa o desvio padrão da distância entre os valores de dados e os valores ajustados. S é medido em unidades da resposta. Como R² não tem significado fora do contexto do modelo linear, S é uma importante medida da qualidade do ajuste para um modelo não-linear. Como S é expresso nas mesmas unidades que a variável de resposta, S é geralmente mais intuitivo de interpretar do que o SEE final.

Interpretação

Use S para avaliar se o modelo descreve bem a resposta. S é medido nas unidades da variável de resposta e representa o quão longe os valores de dados caem dos valores ajustados. Quanto mais baixo for o valor de S, melhor o modelo descreve a resposta. No entanto, um valor de S baixo por si só não indica que o modelo satisfaz aos pressupostos do modelo. Você deve verificar os gráficos de resíduos para conferir os pressupostos.

Por exemplo, você trabalha para um fabricante de batatas fritas que examina os fatores que afetam a porcentagem de batatas quebradas por embalagem. Você reduz o modelo para os preditores significativos, e S é calculado como 1,79. Este resultado indica que o desvio padrão dos pontos de dados em torno dos valores ajustados é 1,79. Se você estiver comparando modelos, valores menores do que 1,79 indicam um ajuste melhor, e valores mais altos indicam um ajuste pior.