Estatística PRESS de uma regressão usando uma transformação potência

Esta macro calcula o ajuste do modelo, resíduos, ajustes excluídos, os resíduos da soma de quadrados predita (PRESS) deletada, e a estatística PRESS nas unidades originais da resposta quando a transformação potência da resposta é aplicada em uma regressão linear.

Download da macro

Certifique-se de que o Minitab sabe onde encontrar a macro baixada. Selecione Arquivo > Opções > Geral. Em Local da macro navegue até o local em que você salva os arquivos de macro.

Importante

Se você usar um navegador mais antigo, quando clicar no botão Download, o arquivo pode abrir no Quicktime, que compartilha a extensão de arquivo .mac com macros do Minitab. Para salvar a macro, clique com o botão direito do mouse no botão Download e selecione Salvar arquivo como.

Download PRESS.mac

Entradas obrigatórias

O número de preditoras na regressão
As colunas de armazenamento para as preditoras
As colunas de armazenamento para a resposta
Os parâmetros de transformação potência

Execução da macro

Suponha que você tem uma variável preditora armazenada em C1, e a variável de resposta esteja em C2. O valor do parâmetro de transformação era -1.

Selecione Visualizar > Linha de comandos/histórico e digite o seguinte:
```
%PRESS
```

Clique em Ensaio. Você deverá fornecer informações adicionais. Por exemplo:

Digite o número de variáveis preditoras na regressão...
DATA> 1
Insira o número da coluna da variável preditora...
DATA> 1
Insira o número da coluna da variável de resposta...
DATA> 2
Insira o valor do parâmetro de transformação potência da resposta...
DATA> -1 <-- transformação recíproca da resposta especificada

Mais informações

Referências

Allen, D. M. (1971), "The Prediction Sum of Squares as a Criterion for Selecting Predictor Variables," Technical Report Number 23, Department of Statistics, University of Kentucky.

Delozier, M. R. (2004), Introduction to Applied Industrial Statistics, Industrial Short-Course Participant Manual.

Myers, R. H. (1990), Classical and Modern Regression