Tabela Análise de Variância de Regressão de mínimos quadrados parciais

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

Neste tópico

DF
SQ
QM
Valor-f
Valor-p - regressão

DF

Os graus de liberdade (DF) totais são a quantidade de informações em seus dados. A análise usa essas informações para estimar os valores dos parâmetros da população desconhecidos. Os DF totais são determinados pelo número de observações em sua amostra. Aumentar o tamanho da amostra fornece mais informações sobre a população, o que aumenta os DF totais.

Os DF da regressão mostram quanta informações os componentes usam. Aumentar o número de componentes usa mais informações, o que diminui o DF para erros residuais. O DF para erro residual mostra quanta informação está disponível para estimar a variabilidade das estimativas do parâmetro.

SQ

A soma dos quadrados (SQ) que são as somas dos quadrados ajustados, são medidas da variação de diferentes componentes do modelo. O Minitab separa as somas dos quadrados em diferentes componentes que descrevem a variação devida a diferentes fontes.

Regressão da SQ: A regressão da soma de quadrados é a soma dos desvios quadrados dos valores de resposta ajustados do valor de resposta médio. Ela quantifica a quantidade da variação nos dados da resposta que são explicados pelo modelo.
Erro de SQ: O erro da soma dos quadrados é a soma dos resíduos quadrados. Ele quantifica a variação nos dados que as preditoras não explicam.
Total da SQ: A soma dos quadrados total é a soma da soma dos quadrados da regressão e o erro da soma dos quadrados. Ela quantifica a variação total nos dados.

Interpretação

O Minitab usa a soma dos quadrados ajustadas para calcular o valor-p para um termo. O Minitab também usa a soma dos quadrados para calcular a estatística R². Normalmente, você interpreta os valores-p e a estatística R² em vez da soma dos quadrados.

QM

Os quadrados médios (QM), que são quadrados médios ajustados, medem quanta variação um termo ou um modelo explica, supondo-se que todos os outros termos estejam no modelo, independentemente da ordem em que eles foram inseridos. Diferentemente das somas dos quadrados ajustados, os quadrados médios ajustados consideram os graus de liberdade.

O erro de quadrado médio ajustado (também chamado MSE ou s²) é a variância ao redor dos valores ajustados.

Interpretação

O Minitab usa o quadrado médio ajustado para calcular o valor-p para um termo. O Minitab também usa os quadrados médios ajustados para calcular a estatística R² ajustada. Normalmente, você interpreta os valores-p e a estatística R² ajustada em vez dos quadrados médios ajustados.

Valor-f

O valor-f é a estatística de teste usada para determinar se o modelo está associado com a resposta.

Interpretação

O Minitab usa o valor-f para calcular o valor-p, que pode ser usado para a tomada de uma decisão sobre a significância estatística 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.

Um valor-f suficientemente amplo indica que o modelo é significativo.

Se você quiser usar o valor-f para determinar se deve rejeitar a hipótese nula, compare o valor-f com o seu valor crítico. É possível calcular o valor crítico no Minitab ou encontrar o valor crítico de uma tabela distribuição F na maioria dos livros de estatísticas. Para obter mais informações sobre como usar o Minitab para calcular o valor crítico, acesse Usando a função de distribuição acumulada inversa (ICDF) e clique em "Usar o ICDF para calcular valores críticos".

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 o modelo explica a variação na resposta, compare o valor-p do modelo com o seu nível de significância para avaliar a hipótese nula. A hipótese nula para a regressão global é que o modelo não explica nenhuma variação na 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 concluir que o modelo explica a variação na resposta quando isso não acontece.

Valor-p ≤ α: o modelo explica a variação na resposta: Se o valor p for menor ou igual ao nível de significância, você conclui que o modelo explica a variação na resposta.
Valor-p > α: não há evidências suficientes para concluir que o modelo explica a variação na resposta: Se o valor p for maior ou igual ao nível de significância, não é possível concluis que o modelo explica a variação na resposta. Talvez você deseje ajustar um novo modelo.