Neste tópico
Ajustes
Os valores ajustados também são chamados de ajustes ou 
. Os valores ajustados são estimativas de ponto da resposta média para dados valores das preditoras. Os valores das preditoras também são chamados de valores-x.
Interpretação
Valores ajustados são calculados inserindo os valores x específicos para cada observação no conjunto de dados para o modelo da equação.
Por exemplo, se a equação for y = 5 + 10x, o valor ajustado do valor-x, 2, é 25 (25 = 5 + 10(2)).
Resíduos (Res)
Um resíduo (ei) é a diferença entre um valor observado (y) e o valor ajustado correspondente, (
), que é o valor predito pelo modelo.
Este gráfico de dispersão exibe o peso versus a altura para uma amostra de homens adultos. A linha de regressão ajustada representa a relação entre a altura e o peso. Se a altura for igual a 1,82 metro, o valor ajustado para peso será de 86,18 kg. Se o peso real for de 90,72, o resíduo é 4,54.
Interpretação
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.
Resíduo padronizado (SRes)
O resíduo padronizado é igual ao valor de um resíduo, (ei), dividido por uma estimativa de seu desvio padrão.
Interpretação
Use os resíduos padronizados para ajudar a detectar outliers.
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.
Valores ajustados da validação cruzada
Na regressão do PLS, o valor ajustado da validação cruzada é a resposta predita para cada observação em seu conjunto de dados, calculado individualmente, portanto, a observação pode ser excluída do modelo usado para calcular a resposta predita para aquela observação. Os valores ajustados da validação cruzada são calculados durante a validação cruzada e variam com base em quantas observações são omitidas cada vez que o modelo é recalculado.
Use valores ajustados da validação cruzada para identificar quão bem seu modelo prediz os dados. Os valores ajustados da validação cruzada são similares aos valores ordinários ajustados, que identificam quão bem seu modelo se ajusta aos dados.
Resíduos da validação cruzada
Na regressão do PLS, os resíduos da validação cruzada são as diferenças entre os valores reais das respostas e os valores ajustados da validação cruzada. O valor dos resíduos da validação cruzada varia com base em quantas observações são omitidas cada vez que o modelo é recalculado durante a validação cruzada.
Os resíduos medem a capacidade preditiva do modelo. O Minitab usa resíduos da validação cruzada para calcular a estatística PRESS.
