Obtenga más información en nuestro curso en línea gratuito:
Pensamiento estadístico para la resolución de problemas industriales
En este video, nuevamente usamos los datos de limpieza para ajustar un modelo de regresión para Eliminación y IDENTIFICACIÓN utilizando Ajustar Y por X. Discutiremos el resultado estadístico provisto y veremos cómo hacer predicciones usando nuestra ecuación de regresión.
Volveremos a utilizar Eliminación como la Y, Respuesta y IDENTIFICACIÓN como el Factor X.
Seleccionaremos Fit Line del triángulo rojo para ajustar el modelo de regresión.
En un video anterior, realizamos un análisis residual y verificamos que no se violaron los supuestos de nuestro modelo.
Ahora, echemos un vistazo a la salida estadística predeterminada.
Las estadísticas de resumen para el ajuste del modelo, incluido el error cuadrático medio y RSquare, se informan en la tabla Resumen de ajuste. Nuestro error cuadrático medio es 1,7 y RSquare es 0,64.
Por lo tanto, IDENTIFICACIÓN explica el 64% de la variación en Eliminación .
Los resultados generales de la prueba para la significancia del modelo se informan en la tabla ANOVA. El valor p es muy pequeño, por lo que podemos concluir que el modelo es significativo.
Como vimos anteriormente, el modelo lineal ajustado se reporta bajo ajuste lineal.
Los coeficientes de intersección y pendiente estimados para este modelo se informan en la tabla Estimaciones de parámetros en Estimación.
Podríamos estar interesados en usar el modelo para predecir el promedio Eliminación para diferentes valores de IDENTIFICACIÓN . Como hemos visto, podemos simplemente insertar un valor de IDENTIFICACIÓN en la ecuación para calcular el valor predicho Eliminación .
También hay varias formas de hacer predicciones directamente en JMP.
Podemos seleccionar Save Predicteds del triángulo rojo para Linear Fit para guardar la fórmula del modelo en la tabla de datos.
Esto calcula la Eliminación predicha para todas nuestras observaciones. Podemos agregar una nueva fila e ingresar un valor para IDENTIFICACIÓN y JMP predecirá la eliminación promedio para este valor.
Tenga en cuenta que solo tiene sentido ingresar valores del predictor dentro del rango utilizado para construir el modelo. Es posible que el modelo no prediga bien si extrapolamos más allá del rango de nuestros valores predictores.
Volvamos a la ventana de análisis.
Si solo estamos interesados en aproximar la media Eliminación , podemos usar la herramienta de cruz de nuestra barra de herramientas. Cuando hacemos clic en la línea, la herramienta de cruz mostrará la Eliminación prevista para un valor dado de IDENTIFICACIÓN .
También podemos mostrar dos tipos de intervalos en nuestro gráfico de ajuste bivariado: intervalos de confianza e intervalos de predicción.
La opción Ajuste de curvas de confianza de Ajuste lineal muestra bandas de confianza. Estas bandas representan intervalos de confianza para la media Eliminación por un valor dado de IDENTIFICACIÓN .
Por ejemplo, el intervalo de confianza para la media Eliminación para piezas con IDENTIFICACIÓN de 10 es aproximadamente de 10,5 a 11,5 unidades.
La opción Confidence Curves Indiv (Individual) muestra bandas de predicción. Estas bandas representan intervalos de predicción para valores individuales de Eliminación para valores dados de IDENTIFICACIÓN .
Por ejemplo, el rango previsto de valores para piezas con un IDENTIFICACIÓN de 10 es aproximadamente 7,5 a 14,5.
