Obtenga más información en nuestro curso en línea gratuito:
Pensamiento estadístico para la resolución de problemas industriales
En este video, usamos los datos de limpieza para ajustar un modelo de regresión para Eliminación y IDENTIFICACIÓN usando Ajustar Y por X, y luego realizar un análisis residual para evaluar los supuestos del modelo.
Seleccionamos Ajustar Y por X en el menú Analizar. usaremos Eliminación como Y, Respuesta, IDENTIFICACIÓN como X, Factor y haga clic en Aceptar.
Luego, seleccionaremos Ajustar línea del triángulo rojo para ajustar el modelo de regresión.
Como vimos anteriormente, la ecuación de regresión ajustada se muestra en Ajuste lineal.
Para comprender si un modelo lineal tiene sentido, analizaremos las gráficas residuales.
Para hacer esto, seleccionamos Trazar residuos del triángulo rojo al lado de Ajuste lineal. Esto produce una variedad de gráficos residuales.
Veamos estos uno a la vez.
Los residuos en el gráfico Residual by Predicted aparecen dispersos aleatoriamente alrededor de la línea central de cero, sin un patrón obvio.
La distribución de los residuos en el histograma no parece demasiado normal, pero solo tenemos 50 observaciones. En su lugar, observamos la gráfica de cuantiles normales residuales. No vemos ninguna desviación obvia de la normalidad en esta trama.
Los puntos en el Gráfico real por predicho aparecen dispersos aleatoriamente alrededor de la línea de ajuste, por lo que esta es otra buena señal.
¿Qué pasa con el diagrama de residuos por fila? Supongamos que nuestros datos están ordenados por tiempo. No hay patrones sistemáticos obvios en el Gráfico de residuos por fila, por lo que no parece que las observaciones secuenciales estén correlacionadas entre sí.
Tampoco vemos valores atípicos en ninguna de las parcelas.
Dado que no se han violado nuestras suposiciones de regresión, podemos proceder a interpretar nuestro modelo de regresión.
Hablaremos sobre el resultado estadístico y cómo usar nuestro modelo para hacer predicciones en otro video.
