Obtenga más información en nuestro curso en línea gratuito:
Pensamiento estadístico para la resolución de problemas industriales
En este ejemplo, continuamos donde lo dejamos en la demostración anterior de JMP. Recuerde que ajustamos un modelo para Impureza , con tres predictores, Temperatura , Concentración de catalizador , y Tiempo de reacción , utilizando Analizar, Ajustar modelo.
Impureza es la variable Y, y Temperatura , Concentración de catalizador , y Tiempo de reacción son los efectos del modelo.
El gráfico Actual by Predicted, que se describió anteriormente, es un gráfico de los valores de respuesta reales frente a los valores predichos por nuestro modelo actual.
La gráfica Actual by Predicted es útil para identificar valores atípicos, observaciones inusuales y patrones en los datos que nuestro modelo no explica, como la curvatura. En su mayor parte, nuestros puntos parecen estar dispersos aleatoriamente alrededor de la línea de regresión ajustada.
JMP proporciona el gráfico Residual by Predicted de forma predeterminada. Esta gráfica no muestra patrones obvios y los residuos aparecen dispersos al azar alrededor de la línea central de cero.
Los diagramas residuales adicionales descritos en esta lección están disponibles en el triángulo rojo superior en Diagnóstico de fila. Esto incluye la gráfica Residual por Fila, la gráfica de Residuales Studentizados y la gráfica de Cuantiles Normales de residuales.
Esto es particularmente útil, por ejemplo, si desea utilizar las plataformas JMP para crear sus propios gráficos de residuos.
Cook's D Influence es otra opción en Guardar columnas.
cuando seleccionamos Influencia D de Cook , se guarda una nueva columna en la tabla de datos con los valores D de Cook para cada observación. Ahora podemos usar la plataforma de distribución para determinar si tenemos observaciones influyentes.
En este ejemplo, el valor D de Cook máximo es 0,06. Entonces, no tenemos un problema con las observaciones influyentes.
Un tipo adicional de gráfico residual en JMP es el gráfico de apalancamiento de efectos. Estos gráficos se muestran de forma predeterminada para cada término del modelo.
Esencialmente, cada gráfico muestra el impacto de agregar el predictor al modelo, dados los otros efectos que ya están en el modelo.
Los gráficos de apalancamiento facilitan la visualización de patrones inusuales, los puntos que ejercen influencia en el modelo y la identificación de problemas con la multicolinealidad.
Para obtener más información sobre la interpretación de gráficos de apalancamiento, le recomendamos que visite la Ayuda de JMP.
