¿Como explico esta grafica estadistica?
Intente calcular una cosa que se supone es un estudio de un cromatografo y su calibración, pero ¿como interpreto esto?
One-way ANOVA: Response versus Amount
Source DF SS MS F P
Amount 3 2760087 920029 32967.90 0.000
Error 16 447 28
Total 19 2760534
S = 5.283 R-Sq = 99.98% R-Sq(adj) = 99.98%
Individual 95% CIs For Mean Based on
Pooled StDev
Level N Mean StDev +---------+---------+---------+---------
0.25 5 7.08 0.82 *
1.00 5 29.68 0.40 *
5.00 5 209.00 4.18 *)
20.00 5 920.60 9.66 *
+---------+---------+---------+---------
0 250 500 750
Pooled StDev = 5.28
¿que significa las letras ( DF, SS, MS, F, P)
y como uso lo del R² que dice 99.98%?
por favor que mi maestro no nos ayuda solo nos pone la tarea sin decirnos de que se trata.
Lo único que se es que tengo que explicar esto
http://lib.stat.cmu.edu/DASL/Stories/Chromatograph...
y de programa usamos el minitab
Comments
Tienes la siguiente información: cinco mediciones de cuatro sustancias diferentes; Tienes el objetivo de estandarizar el cromatógrafo. Esto lo vas a conseguir, mediante la construcción de un modelo de regresión lineal (debes conocer los supuestos de este modelo), precisamente la gráfica de los datos es la figura 1; observándose al parecer la estimación lineal es “buena”, dado que pasa tocando los puntos de información; Ingresas los datos al software utilizando un ANOVA de una vía para encontrar: 1) la estimación de la ecuación que pasa por los puntos; 2) el porcentaje de ajuste (R²) de los datos; 3) Las estadísticas F y p, que te dirán como es el ajuste de la información.
La interpretación del 99.98% de la R², se interpreta como que el ajuste del modelo (muy bueno), que coinciden el 99.98% de los datos (respuestas), al parecer todo es felicidad, ja, ja, ja, PERO lee el siguiente párrafo.
La figura 2 se refiere a los residuos que van asociados a la construcción del modelo lineal, en particular el gráfico indica que el ajuste es malo, dado que los puntos residuales deberán estar alrededor del cero, es decir no cumple uno de los supuestos para construir un modelo adecuado a los datos.
Los supuestos son:
1) Normalidad en la distribución de los errores (residuales).
2) Varianza constante en los errores.
En la figura 2, se observa que los residuales (errores) no cumplen ninguno de los dos supuestos de la construcción del modelo.
Conclusión. La estimación de la regresión lineal no es buena, no obstante que tiene una R² de 99.98%, siendo esto demostrado porque no cumple con el supuesto de varianza constante y normalidad en los errores.
Disculpa no poder responder a todo ni ser más simple en la respuesta.