63213_zh-TW

liliconcom

適合模型深潛材料

適合模型深潛

您可能想知道如何使用Fit Model平台擬合固定效果線性模型

 

• 用於擬合單變量和多變量一般線性模型的平台。

• 單變量：一個回應。一些擬合個性支持同時擬合多個單變量響應。
• 線性模型：當響應是參數的線性函數時
• 參數：一個未知係數，用於量化輸入本身或與其他輸入組合的影響。
• 固定效果：假設參數採用有限（通常很小）的數值。
• 隨機效應：從（通常是正態的）分佈中獲取值的參數。
• 概述：模型可以使用變換或分佈假設進行線性化。
• 錯誤：從簡單（單變量高斯）到復數（相關多變量）。

介紹

線性模型示例

 

 

 

 

 

平台比較

標準最小二乘法

• 固定效果，簡單隨機效果（阻塞，繪圖，VC）
• 單變量高斯誤差
• 通常的形式：

標準最小二乘法

流

• 適合模型（有或沒有變量選擇）
• 檢查假設，如果需要/可能，修復
• 降低
• 檢查假設，如果需要/可能，修復
• 部署或拒絕

標準最小二乘法

示例：大班

• 適合模特：  
• 主要影響，2因素相互作用，二次方（ 高度 ² ）
• 檢查假設：殘差（行診斷）和缺乏適應性。您還可以保存殘差並根據分類因子水平繪製/測試它們以獲得均勻方差（同方差性）。您正在尋找非隨機模式和不尋常的數據點。不要過多地閱讀這些圖，因為它們是粗略的指標。
• 減少：刪除非重要和/或不重要的變量
• 重新檢查
• 部署/拒絕

輸入建模類型如何影響主效應估計的解釋

• 連續（無編碼）：當輸入改變一個單位時響應改變。與輸入關聯的回歸線的斜率。
• 連續（編碼）：使用公式重新編碼輸入時與上述相同
• 這對應於從輸入中點到極端設置的響應變化。
• 標稱：水平平均值與所有平均水平平均值之間的差異。
• 序數：從前一級到當前級的響應變化。

輸入建模類型如何影響截取的解釋

• 截距：所有輸入均為零設置時的值。零取決於建模類型：
• 連續（無編碼）：零是零值
• CC：中心點的值，即½（最大+最小）
• N：由於名義輸入的參數化方式，不太可能存在與0對應的水平。
• O：最低級別

考慮可變性

介紹

• 兩種類型：
• 可分配（系統）：可歸因於對輸入所做的更改。也稱為信號。
• 隨機（噪聲）：可變性，沒有已知原因（尚未）。
• 
•  當我們將模型擬合到數據時，我們會在響應和參數上加上“帽子”，以指示響應是預期值（擬合），參數是估計值。
• 

考慮可變性

統計檢驗

• 大量的統計檢驗考察了問責可變性與噪聲的比率。假設這種可變性實際上是錯誤標記的噪聲。如果這是真的，那麼比率應該是大約1。比率越大，假設越假。
• 給定某些假設（例如，數據是獨立的且相同分佈的，或IID），該比率遵循已知的統計分佈。這種分佈將取決於如何量化可變性。
• 給定已知的統計分佈，可以對特定值的可能性進行概率陳述。

 

考慮可變性

主要方差分析

 

• 自由度：用於計算感興趣的價值的獨立觀察的數量。
• 模型： ME，每個連續效果一個，N級：每個分類效果為1。對於2FI和更高，將MEs加在一起。
• 總： N觀察：1
• 錯誤： DF _總 ：df _模型

 

考慮可變性

主要方差分析

• 均方：SS / df
• F：均方比（MS _模型 /女士_錯誤 ）
• [R ² ：SS的比例_模型 / SS _總
• RMSE：MS的平方根_錯誤
• [R ² 形容詞： 

考慮可變性

缺乏健康

• 純誤差：恆定條件下的可變性。估計純誤差需要三件事：
• 複製
• 您沒有使用相同的方法來估計模型誤差和純誤差
• 剩下的df來估計誤差（即，你不適合飽和模型）
• 假設：模型錯誤（MS _錯誤 ）是對隨機誤差的良好估計。如果它明顯更大，則額外的可變性可能是由於模型不合適。
• 警告： 較大的比例也可能是因為純誤差被低估了。

考慮可變性

效果

• 對給定效應的統計檢驗比較系統變異的大小，可以通過效果與噪聲變化來解釋。
• 相關效應彼此具有可變性。這種共享的可變性只能與整個組相關聯，並且不能在各個效果之間分開。
• 一種解決方案是僅考慮在模型中所有其他效應的影響被考慮之後由效應貢獻的可變性。這被稱為Type III SS。
• 編碼和（非）居中多項式改變了相關結構。