Modelo de mínimos cuadrados parciales (pls) Minitab
descargar 0.93 Mb.
|
Observados versus Predichos Este gráfico muestra los valores de una variable dependiente elegida versus los valores predichos por el modelo ajustado:  Si el modelo ajusta bien, los puntos debieran alinearse a lo largo de la línea diagonal. Opciones de Ventana  Elija la variable dependiente que desee graficar. Puntos Leverage Cuando se ajusta un modelo PLS, no todas las observaciones tienen la misma influencia en la estimación de los coeficientes en el modelo ajustado. Aquéllas con valores atípicos de las variables independientes tienden a tener más influencia que las otras.. La ventana de Puntos Leverage muestra cualesquiera observaciones que tienen una inusual influencia en el modelo ajustado:  El punto leverage es una estadística que mide la influencia de cada observación en el modelo final. Las observaciones se ponen en la lista si tienen más de 3 veces el leverage de un punto promedio. Las observaciones con altos puntos leverage deben examinarse de cerca para estar seguros de que son válidas, ya que una observación con punto leverage alto que es también un valor atípico puede distorsionar gravemente al modelo estimado. En los datos de la muestra, no hay puntos leverage altos. Gráficas de Distancia para Residuos Las Gráficas de Distancia para Residuos grafican la distancia del origen a los residuos de X o Y que corresponden a cada caso en el grupo de entrenamiento. Los gráficos pueden usarse para determinar qué casos se desvían más de los valores predichos.  Las Laa distancias se expresan como la suma de cuadrados de la diferencia entre los valoresobservados y predichos de las variables estandarizadas. Para las variables Y, los residuos son elementos de la matriz E de dimensiones n por m en la ecuación Y = Xβ + E (12)  Para las variables X, los residuos son elementos de la matriz F de dimensiones n por p en la ecuación X = TP + F (13) Salvar Resultados Se pueden salvar en la hoja de datos los siguientes resultados: 1. Valores predichos – los valores predichos de la(s) variable(s) dependiente(s). 2. Residuos Y – los residuos para cada variable dependiente. 3. Residuos Estandarizados Y – los residuos estandarizados para cada variable dependiente. 4. Residuos PRESS – los residuos PRESS para cada variable dependiente. 5. Residuos X – los residuos para cada variable independiente. 6. Leverages – los puntos niveladores para cada uno de los n casos. 7. Distancias Y – la distancia de los residuos Y para cada uno de los n casos. 8. Distancias X – la distancia los residuos X para cada uno de los n casos. 9. Pesos de Componentes – la matriz W de pesos. 10. Cargas de factor Y – la matriz Q de cargas de los factores. 11. Cargas de factor X – la matriz P de cargas de los factores. 12. Matriz de valores – la matriz T de valores. Cálculos El programa usa el algoritmo NIPALS (Nonlinear Iterative Partial Least Squares, Mínimos Cuadrados Parciales Iterativos No Lineales) para extraer los componentes, después de transformar primero cada variable de manera que tengan una media de 0 y una desviación estándar de 1. |
