Scopri di più nel nostro corso online gratuito:
Pensiero statistico per la risoluzione dei problemi industriali
In questo video, utilizziamo i dati di pulizia per adattare un modello di regressione per Rimozione e ID utilizzando Stima Y per X, quindi condurre un'analisi residua per valutare le ipotesi del modello.
Selezioniamo Adatta Y per X dal menu Analizza. Useremo Rimozione come Y, Risposta, ID come X, Fattore e fare clic su OK.
Quindi, selezioneremo Fit Line dal triangolo rosso per adattare il modello di regressione.
Come abbiamo visto in precedenza, l'equazione di regressione adattata viene visualizzata sotto Adattamento lineare.
Per capire se un modello lineare ha senso, analizzeremo i grafici residui.
Per fare ciò, selezioniamo Plot Residuals dal triangolo rosso accanto a Linear Fit. Questo produce una varietà di trame residue.
Diamo un'occhiata a questi uno alla volta.
I residui nel grafico Residual by Predicted appaiono sparsi in modo casuale attorno alla linea centrale dello zero, senza uno schema evidente.
La distribuzione dei residui nell'istogramma non sembra eccessivamente normale, ma abbiamo solo 50 osservazioni. Invece, esaminiamo il grafico del quantile normale residuo. Non vediamo alcuna deviazione evidente dalla normalità in questa trama.
I punti nel grafico Actual by Predicted appaiono sparsi casualmente attorno alla linea di adattamento, quindi questo è un altro buon segno.
Che dire del grafico residuo per riga? Supponiamo che i nostri dati siano ordinati nel tempo. Non ci sono schemi sistematici evidenti nel grafico residuo per riga, quindi non sembra che le osservazioni sequenziali siano correlate tra loro.
Inoltre, non vediamo valori anomali in nessuna delle trame.
Poiché le nostre ipotesi di regressione non sono state violate, possiamo procedere all'interpretazione del nostro modello di regressione.
Parleremo dell'output statistico e di come utilizzare il nostro modello per fare previsioni in un altro video.
