zakrivljenost

departure from a straight line relationship between the response variable and a predictor variable NOTE 1 Curvature has meaning with quantitative predictor variables, but not with categorical (nominal) or qualitative (ordinal) predictor variables. Detection of curvature requires more than two levels of the factors. In some instances, replicated centre points (the factor set midway between the high and low settings of the factors) can allow the detection and assessment of curvature. Alternatively, an expanded range of the levels of the factor can be necessary to observe curvature. NOTE 2 Returning to the model given in the example of 1.12, curvature can be readily modelled via a form such as: Y =  + X + X2 +  If  deviates from zero, there is evidence of curvature relative to the simple linear relation.

odstupanje od linearne veze između odzivne promenljive i prediktivne promenljive NAPOMENA 1 Zakrivljenost ima značaja za kvantitativne prediktivne promenljive, ali ne za kategorijske (nominalne) ili kvalitativne (redne) prediktivne promenljiive. Otkrivanje zakrivljenosti zahteva više od dva nivoa faktora. U nekim slučajevima, replikovane centralne tačke (faktor postavljen na sredinu između niskih i visokih postavki faktora) mogu da pomognu u otkrivanju i ocenjivanju zakrivljenosti. Alternativno, da bi se zapazila zakrivljenost, može biti neophodan prošireni opseg nivoa faktora. NAPOMENA 2 Vraćajući se na model dat u primeru u 1.12, zakrivljenost se može odmah modelovati preko oblika kao što je: Y =  + X + X2 +  Ako  odstupa od nule, tada je evidentna zakrivljenost u odnosu na jednostavnu linearnu vezu.

odstupanje od linearne veze između odzivne promenljive i prediktivne promenljive NAPOMENA 1 Zakrivljenost ima značaja za kvantitativne prediktivne promenljive, ali ne za kategorijske (nominalne) ili kvalitativne (redne) prediktivne promenljiive. Otkrivanje zakrivljenosti zahteva više od dva nivoa faktora. U nekim slučajevima, replikovane centralne tačke (faktor postavljen na sredinu između niskih i visokih postavki faktora) mogu da pomognu u otkrivanju i ocenjivanju zakrivljenosti. Alternativno, da bi se zapazila zakrivljenost, može biti neophodan prošireni opseg nivoa faktora. NAPOMENA 2 Vraćajući se na model dat u primeru u 1.12, zakrivljenost se može odmah modelovati preko oblika kao što je: Y =  + X + X2 +  Ako  odstupa od nule, tada je evidentna zakrivljenost u odnosu na jednostavnu linearnu vezu.