Relaciona el comportamiento de una característica de interés (“variable de respuesta”) con los factores potencialmente causales (“variables explicativas”) para ayudar a comprender la causa potencial de la variación en la respuesta y explicar como cada factor contribuye a la variación.
Algunos usos
- Comprobar hipótesis en relación con la influencia de variables explicativas potenciales sobre la respuesta.
- Predecir el valor de la variable de respuesta para valores específicos de las variables explicativas.
- Para determinar el efecto de cambio de un factor tal como la temperatura en el rendimiento de un proceso, mientras se mantienen constantes otros factores.
Algunos beneficios
- Guiar las decisiones sobre los cambios en uno o más factores del proceso en estudio para controlarlo o mejorarlo.
- Estimaciones de la magnitud y la fuente de influencia sobre la respuesta ocasionada por factores no medidos u omitidos en el análisis, lo que puede permitir mejorar el sistema de medición o el proceso.
- Lo anterior permite utilizar esta técnica para determinar la eficacia de una acción para resolver un problema antes de invertir tiempo y dinero en ella.
Limitaciones y precauciones
- Se requiere habilidad en la especificación del modelo de regresión adecuado (lineal, exponencial, multivariable) y al utilizar diagnósticos para mejorar el modelo.
- La presencia de variables omitidas, errores de medición y otras fuentes de variaciones inexplicadas en la respuesta puede complicar la realización del modelo
- Debería investigarse la validez de los datos cuando ésta resulte cuestionable, ya que su inclusión u omisión de datos del análisis puede influenciar las estimaciones de los parámetros del modelo, y así la respuesta.
- La inclusión de variables innecesarias puede enmascarar la influencia de variables explicativas y reducir la precisión del modelo de predicciones.
- La omisión de una variable explicativa importante puede limitar seriamente el modelo y reducir la utilidad de sus resultados.
Ejemplos de aplicación
- Realización de modelos de características de producción tales como rendimiento, producción, calidad de desempeño, tiempo de ciclo, la probabilidad de fallar una prueba o inspección, y los diferentes patrones de deficiencias en los procesos.
- Predecir los resultados de un experimento, o de los estudios prospectivos o retrospectivos controlados de la variación en materiales o condiciones de producción.
- Verificar la sustitución de un método de medición por otro, por ejemplo, reemplazando un método destructivo o que consume mucho tiempo por uno no destructivo o más rápido.
- Ejemplos de aplicaciones de regresión no lineal incluyen realizar un modelo de la concentración de sustancias en función del tiempo y peso de los componentes; realizar un modelo de reacciones químicas en función del tiempo, temperatura y presión.
Escribir comentario