Regresión simple - Peso frente a Longitud

Análisis de Regresión - Modelo Lineal Y = a + b*X

-----------------------------------------------------------------------------
Variable dependiente: Peso
Variable independiente: Longitud
-----------------------------------------------------------------------------
Error Estadístico
Parámetro Estimación estándar T P-Valor
-----------------------------------------------------------------------------
Ordenada -4963.29 187.591 -26.458 0.0000
Pendiente 124.002 2.51289 49.3463 0.0000
-----------------------------------------------------------------------------

Análisis de la Varianza
-----------------------------------------------------------------------------
Fuente Suma de cuadrados GL Cuadrado medio Cociente-F P-Valor
-----------------------------------------------------------------------------
Modelo 1.46349E9 1 1.46349E9 2435.05 0.0000
Residuo 1.73091E8 288 601010.0
-----------------------------------------------------------------------------
Total (Corr.) 1.63658E9 289

Coeficiente de Correlación = 0.945641

R-cuadrado = 89.4236 porcentaje
R-cuadrado (ajustado para g.l.) = 89.3869 porcentaje
Error estándar de est. = 775.248
Error absoluto medio = 0.129564
Estadístico de Durbin-Watson = 0.0715023 (P=0.0000)
Autocorrelación residual en Lag 1 = 0.944358

El StatAdvisor
--------------
La salida muestra los resultados del ajuste al modelo lineal para
describir la relación entre Peso y Longitud. La ecuación del modelo
ajustado es

Peso = -4963.29 + 124.002*Longitud

Dado que el p-valor en la tabla ANOVA es inferior a 0.01, existe

relación estadísticamente significativa entre Peso y Longitud para un
nivel de confianza del 99%.

El estadístico R-cuadrado indica que el modelo explica un 89.4236%

de la variabilidad en Peso. El coeficiente de correlación es igual a
0.945641, indicando una relación relativamente fuerte entre las
variables. El error estándar de la estimación muestra la desviación
típica de los residuos que es 775.248. Este valor puede usarse para
construir límites de la predicción para las nuevas observaciones
seleccionando la opción Predicciones del menú del texto.

El error absoluto medio (MAE) de 0.129564 es el valor medio de los

residuos. El estadístico Durbin-Watson (DW) examina los residuos para
determinar si hay alguna correlación significativa basada en el orden
en el que se han introducido los datos en el fichero. Dado que el
p-valor es inferior a 0.05, hay indicio de una posible correlación
serial. Represente los residuos frente al orden de fila para ver si
hay algún modelo que pueda verse.
 Gráfico del Modelo Ajustado
(X 1000)
12
10
8
Peso

6
4
2
0
0 20 40 60 80 100 120
Longitud
Análisis de Varianza con Falta de ajuste
--------------------------------------------------------------------------------
Fuente Suma de cuadrados GL Cuadrado medio Cociente-F P-Valor
--------------------------------------------------------------------------------
Modelo 1.46349E9 1 1.46349E9 2435.05 0.0000
Residuo 1.73091E8 288 601010.0
--------------------------------------------------------------------------------
Falta de ajuste 1.72078E8 134 1.28416E6 195.27 0.0000
Error puro 1.01276E6 154 6576.39
--------------------------------------------------------------------------------
Total (Corr.) 1.63658E9 289

El StatAdvisor
--------------
El test de Falta de Ajuste está diseñado para determinar si el
modelo seleccionado es adecuado para describir los datos observados, o
si se debería utilizar un modelo más complicado. El test se realiza
comparando la variabilidad de los residuos del modelo actual con la
variabilidad entre las observaciones a valores duplicados de la
variable independiente X. Dado que el p-valor para la Falta de Ajuste
en la tabla ANOVA es inferior a 0.01, existe una falta de ajuste
estadísticamente significativa para un nivel de confianza del 99%.
Podría considerar el seleccionar una forma de modelo diferente en el
cuadro de diálogo de las Opciones de Análisis.
 Gráfico de Peso
(X 1000)
12
observado 10
8
6
4
2
0
0 2 4 6 8 10 12
(X 1000)
predicho
Valores predichos
------------------------------------------------------------------------------
95.00% 95.00%
Predicho Límites de Predicción Límites de Confianza
X Y Inferior Superior Inferior Superior
------------------------------------------------------------------------------
25.0 -1863.25 -3409.64 -316.858 -2114.32 -1612.18
110.0 8676.89 7137.13 10216.7 8470.55 8883.23
------------------------------------------------------------------------------

El StatAdvisor
--------------
Esta tabla muestra los valores predichos para Peso usando el modelo
ajustado. Además de las mejores predicciones, la tabla muestra:
(1) 95.0% intervalos de predicción para las nuevas observaciones
(2) 95.0% intervalos de confianza para la media de muchas
observaciones
Los intervalos de predicción y confianza correspondientes a los
límites internos y externos en el gráfico del modelo ajustado.
 Gráfico de Residuos

Residuo estudentizado 5.5

3.5

1.5

-0.5

-2.5

-4.5
0 20 40 60 80 100 120
Longitud
Comparación de Modelos Alternativos
--------------------------------------------------
Modelo Correlación R-cuadrado
--------------------------------------------------
Multiplicativo 0.9970 99.39%
Raiz cuadrada-Y 0.9926 98.53%
Exponencial 0.9889 97.80%
curva-S -0.9813 96.29%
Lineal 0.9456 89.42%
Raiz cuadrada-X 0.9186 84.38%
Logarítmico-X 0.8870 78.68%
Doble inverso 0.8774 76.98%
Inverso-X -0.8140 66.26%
Inverso-Y <sin ajuste>
Logístico <sin ajuste>
Log Probit <sin ajuste>
--------------------------------------------------

El StatAdvisor
--------------
Esta tabla muestra los resultados de ajuste a los datos de varios
modelos curvilíneos. De los modelos ajustados, el modelo
multiplicativo procura el valor de R-cuadrado más alto con 99.3944%.
Este es 9.97077% más alto que el modelo lineal seleccionado
actualmente. Para cambiar los modelos, seleccione el cuadro de
diálogo Opciones del Análisis.
 Gráfico de Residuos

Residuo estudentizado 5.5

3.5

1.5

-0.5

-2.5

-4.5
-2 0 2 4 6 8 10
(X 1000)
Peso predicho
Residuos Atípicos
----------------------------------------------------------------------------
Y Residuo
Fila X Y Predicha Residuo Estudentizado
----------------------------------------------------------------------------
1 25.0 82.0 -1863.25 1945.25 2.57
2 26.7 175.0 -1652.45 1827.45 2.41
4 30.0 300.0 -1243.24 1543.24 2.02
281 100.0 9000.0 7436.88 1563.12 2.04
282 100.0 9200.0 7436.88 1763.12 2.30
283 100.0 9250.0 7436.88 1813.12 2.37
284 100.5 9500.0 7498.88 2001.12 2.62
285 101.0 10000.0 7560.88 2439.12 3.22
286 102.0 10000.0 7684.88 2315.12 3.05
287 102.0 10800.0 7684.88 3115.12 4.16
288 103.0 11000.0 7808.88 3191.12 4.27
289 105.0 11150.0 8056.89 3093.11 4.13
290 110.0 12000.0 8676.89 3323.11 4.47
----------------------------------------------------------------------------

El StatAdvisor
--------------
La tabla de residuos atípicos lista todas las observaciones que
tienen residuos estudentizados superiores a 2.0 en valor absoluto.
Los residuos estudentizados miden cuánta desviación típica de cada
valor observado de Peso se desvía del modelo de ajuste, utilizando
todos los datos excepto esa observación. En este caso, hay 13
residuos estudentizados superiores a 2.0 y 6 superiores a 3.0.
Debería revisar atentamente las observaciones superiores a 3.0, para
determinar si son puntos influyentes que deban eliminarse del modelo y
ser tratados por separado.
 Gráfico de Residuos

Residuo estudentizado 5.5

3.5

1.5

-0.5

-2.5

-4.5
0 50 100 150 200 250 300
número de fila
Puntos Influyentes
----------------------------------------------------------------------------
Y Residuo
Fila X Y Predicha Estudentizado Influencia
----------------------------------------------------------------------------
1 25.0 82.0 -1863.25 2.57 0.0270742
2 26.7 175.0 -1652.45 2.41 0.0254106
3 29.9 220.0 -1255.64 1.93 0.0224438
4 30.0 300.0 -1243.24 2.02 0.0223546
5 31.5 340.0 -1057.24 1.83 0.0210411
----------------------------------------------------------------------------
Influencia media de un punto = 0.00689655

El StatAdvisor
--------------
La tabla de puntos influyentes lista todas las observaciones que
tienen valores de influencia superior a 3 veces la del punto medio de
los datos. Leverage es un estadístico que mide la influencia de cada
observación en la determinación de los coeficientes del modelo
estimado. En este caso, un punto medio tendría un valor de influencia
igual a 0.00689655. Hay 5 puntos superiores a 3 veces la influencia
media, pero ninguno superior a 5 veces.

Regresión simple - Peso frente a Longitud

Análisis de Regresión - Modelo Lineal Y = a + b*X

-----------------------------------------------------------------------------
Variable dependiente: Peso
Variable independiente: Longitud
-----------------------------------------------------------------------------
Error Estadístico
Parámetro Estimación estándar T P-Valor
-----------------------------------------------------------------------------
Ordenada -4963.29 187.591 -26.458 0.0000
Pendiente 124.002 2.51289 49.3463 0.0000
-----------------------------------------------------------------------------

Análisis de la Varianza
-----------------------------------------------------------------------------
Fuente Suma de cuadrados GL Cuadrado medio Cociente-F P-Valor
-----------------------------------------------------------------------------
Modelo 1.46349E9 1 1.46349E9 2435.05 0.0000
Residuo 1.73091E8 288 601010.0
-----------------------------------------------------------------------------
Total (Corr.) 1.63658E9 289

Coeficiente de Correlación = 0.945641

R-cuadrado = 89.4236 porcentaje
R-cuadrado (ajustado para g.l.) = 89.3869 porcentaje
Error estándar de est. = 775.248
Error absoluto medio = 0.129564
Estadístico de Durbin-Watson = 0.0715023 (P=0.0000)
Autocorrelación residual en Lag 1 = 0.944358

El StatAdvisor
--------------
La salida muestra los resultados del ajuste al modelo lineal para
describir la relación entre Peso y Longitud. La ecuación del modelo
ajustado es

Peso = -4963.29 + 124.002*Longitud

Dado que el p-valor en la tabla ANOVA es inferior a 0.01, existe

relación estadísticamente significativa entre Peso y Longitud para un
nivel de confianza del 99%.

El estadístico R-cuadrado indica que el modelo explica un 89.4236%

de la variabilidad en Peso. El coeficiente de correlación es igual a
0.945641, indicando una relación relativamente fuerte entre las
variables. El error estándar de la estimación muestra la desviación
típica de los residuos que es 775.248. Este valor puede usarse para
construir límites de la predicción para las nuevas observaciones
seleccionando la opción Predicciones del menú del texto.

El error absoluto medio (MAE) de 0.129564 es el valor medio de los

residuos. El estadístico Durbin-Watson (DW) examina los residuos para
determinar si hay alguna correlación significativa basada en el orden
en el que se han introducido los datos en el fichero. Dado que el
p-valor es inferior a 0.05, hay indicio de una posible correlación
serial. Represente los residuos frente al orden de fila para ver si
hay algún modelo que pueda verse.

Gráfico del Modelo Ajustado

(X 1000)
12
10
8
Peso

6
4
2
0
0 20 40 60 80 100 120
Longitud
Análisis de Varianza con Falta de ajuste
--------------------------------------------------------------------------------
Fuente Suma de cuadrados GL Cuadrado medio Cociente-F P-Valor
--------------------------------------------------------------------------------
Modelo 1.46349E9 1 1.46349E9 2435.05 0.0000
Residuo 1.73091E8 288 601010.0
--------------------------------------------------------------------------------
Falta de ajuste 1.72078E8 134 1.28416E6 195.27 0.0000
Error puro 1.01276E6 154 6576.39
--------------------------------------------------------------------------------
Total (Corr.) 1.63658E9 289

El StatAdvisor
--------------
El test de Falta de Ajuste está diseñado para determinar si el
modelo seleccionado es adecuado para describir los datos observados, o
si se debería utilizar un modelo más complicado. El test se realiza
comparando la variabilidad de los residuos del modelo actual con la
variabilidad entre las observaciones a valores duplicados de la
variable independiente X. Dado que el p-valor para la Falta de Ajuste
en la tabla ANOVA es inferior a 0.01, existe una falta de ajuste
estadísticamente significativa para un nivel de confianza del 99%.
Podría considerar el seleccionar una forma de modelo diferente en el
cuadro de diálogo de las Opciones de Análisis.

Gráfico de Peso
(X 1000)
12
10
observado

8
6
4
2
0
0 2 4 6 8 10 12
(X 1000)
predicho
Valores predichos
------------------------------------------------------------------------------
95.00% 95.00%
Predicho Límites de Predicción Límites de Confianza
X Y Inferior Superior Inferior Superior
------------------------------------------------------------------------------
25.0 -1863.25 -3409.64 -316.858 -2114.32 -1612.18
110.0 8676.89 7137.13 10216.7 8470.55 8883.23
------------------------------------------------------------------------------

El StatAdvisor
--------------
Esta tabla muestra los valores predichos para Peso usando el modelo
ajustado. Además de las mejores predicciones, la tabla muestra:
(1) 95.0% intervalos de predicción para las nuevas observaciones
 (2) 95.0% intervalos de confianza para la media de muchas
observaciones
Los intervalos de predicción y confianza correspondientes a los
límites internos y externos en el gráfico del modelo ajustado.

Gráfico de Residuos
Residuo estudentizado

5.5

3.5

1.5

-0.5

-2.5

-4.5
0 20 40 60 80 100 120
Longitud
Comparación de Modelos Alternativos
--------------------------------------------------
Modelo Correlación R-cuadrado
--------------------------------------------------
Multiplicativo 0.9970 99.39%
Raiz cuadrada-Y 0.9926 98.53%
Exponencial 0.9889 97.80%
curva-S -0.9813 96.29%
Lineal 0.9456 89.42%
Raiz cuadrada-X 0.9186 84.38%
Logarítmico-X 0.8870 78.68%
Doble inverso 0.8774 76.98%
Inverso-X -0.8140 66.26%
Inverso-Y <sin ajuste>
Logístico <sin ajuste>
Log Probit <sin ajuste>
--------------------------------------------------

El StatAdvisor
--------------
Esta tabla muestra los resultados de ajuste a los datos de varios
modelos curvilíneos. De los modelos ajustados, el modelo
multiplicativo procura el valor de R-cuadrado más alto con 99.3944%.
Este es 9.97077% más alto que el modelo lineal seleccionado
actualmente. Para cambiar los modelos, seleccione el cuadro de
diálogo Opciones del Análisis.
 Gráfico de Residuos

Residuo estudentizado 5.5

3.5

1.5

-0.5

-2.5

-4.5
-2 0 2 4 6 8 10
(X 1000)
Peso predicho
Residuos Atípicos
----------------------------------------------------------------------------
Y Residuo
Fila X Y Predicha Residuo Estudentizado
----------------------------------------------------------------------------
1 25.0 82.0 -1863.25 1945.25 2.57
2 26.7 175.0 -1652.45 1827.45 2.41
4 30.0 300.0 -1243.24 1543.24 2.02
281 100.0 9000.0 7436.88 1563.12 2.04
282 100.0 9200.0 7436.88 1763.12 2.30
283 100.0 9250.0 7436.88 1813.12 2.37
284 100.5 9500.0 7498.88 2001.12 2.62
285 101.0 10000.0 7560.88 2439.12 3.22
286 102.0 10000.0 7684.88 2315.12 3.05
287 102.0 10800.0 7684.88 3115.12 4.16
288 103.0 11000.0 7808.88 3191.12 4.27
289 105.0 11150.0 8056.89 3093.11 4.13
290 110.0 12000.0 8676.89 3323.11 4.47
----------------------------------------------------------------------------

El StatAdvisor
--------------
La tabla de residuos atípicos lista todas las observaciones que
tienen residuos estudentizados superiores a 2.0 en valor absoluto.
Los residuos estudentizados miden cuánta desviación típica de cada
valor observado de Peso se desvía del modelo de ajuste, utilizando
todos los datos excepto esa observación. En este caso, hay 13
residuos estudentizados superiores a 2.0 y 6 superiores a 3.0.
Debería revisar atentamente las observaciones superiores a 3.0, para
determinar si son puntos influyentes que deban eliminarse del modelo y
ser tratados por separado.
 Gráfico de Residuos

Residuo estudentizado 5.5

3.5

1.5

-0.5

-2.5

-4.5
0 50 100 150 200 250 300
número de fila
Puntos Influyentes
----------------------------------------------------------------------------
Y Residuo
Fila X Y Predicha Estudentizado Influencia
----------------------------------------------------------------------------
1 25.0 82.0 -1863.25 2.57 0.0270742
2 26.7 175.0 -1652.45 2.41 0.0254106
3 29.9 220.0 -1255.64 1.93 0.0224438
4 30.0 300.0 -1243.24 2.02 0.0223546
5 31.5 340.0 -1057.24 1.83 0.0210411
----------------------------------------------------------------------------
Influencia media de un punto = 0.00689655

El StatAdvisor
--------------
La tabla de puntos influyentes lista todas las observaciones que
tienen valores de influencia superior a 3 veces la del punto medio de
los datos. Leverage es un estadístico que mide la influencia de cada
observación en la determinación de los coeficientes del modelo
estimado. En este caso, un punto medio tendría un valor de influencia
igual a 0.00689655. Hay 5 puntos superiores a 3 veces la influencia
media, pero ninguno superior a 5 veces.