63213_ja-JP

liliconcom

フィットモデルディープダイブマテリアル

フィットモデルディープダイブ

Fit Modelプラットフォームで固定効果の線形モデルを近似することについて、おそらくあなたが知りたいと思う以上のもの

 

• 単変量および多変量一般線形モデルを当てはめるためのプラットフォーム。

• 一変量：1つの応答。いくつかのフィッティングパーソナリティは、複数の一変量応答の同時フィッティングをサポートします。
• 線形モデル：応答がパラメータの線形関数の場合
• パラメータ：入力自体の影響を他の入力と組み合わせて定量化する未知の係数。
• 修正された効果：パラメータは有限（通常は小さい）数の値をとると仮定されました。
• 変量効果：（通常は正規の）分布から値をとるパラメータ。
• 一般：モデルは変換または分布の仮定を使用して線形にすることができます。
• エラー：単純（単変量ガウス）から複素（相関多変量）へ。

イントロ

線形モデルの例

 

 

 

 

 

プラットフォーム比較

標準最小二乗

• 固定効果、単純なランダム効果（ブロッキング、プロット、VC）
• 一変量ガウス誤差
• 通常は次の形式です。

標準最小二乗

フロー

• モデルをフィットする（変数選択あり、またはなし）
• 仮定をチェックし、必要に応じて修正する
• 減らす
• 仮定をチェックし、必要に応じて修正する
• 展開または拒否

標準最小二乗

例：ビッグクラス

• モデルをフィットさせる：  
• 主な効果、2因子の相互作用、2次（ 高さ ² ）
• 仮定をチェックします：残差（行診断）と適合性の欠如。また、残差を保存し、同次分散（同分散性）のカテゴリカル因子レベルに対してそれらをプロット/テストすることもできます。あなたは非ランダムパターンと変わったデータポイントを探しています。これらのプロットは大まかな指標なので、あまり読み過ぎないでください。
• 減らす：重要でない変数や重要でない変数を削除します
• 再チェック
• デプロイ/拒否

入力モデリングタイプがどのように影響するか主な影響評価の解釈

• 連続（コーディングなし）：入力が1単位変更されるとそれに応じて変化します。入力に関連付けられている回帰直線の傾き。
• 連続（コーディング）：入力が式を使用して再コーディングされた場合の上記と同じ
• これは、入力の中点から極端な設定への応答の変化に対応します。
• 公称：レベルの平均とすべてのレベルの平均の平均との差。
• 序数：前から現在のレベルへの応答の変化。

入力モデリングタイプがどのように影響するか傍受の解釈

• 切片：すべての入力がゼロ設定のときの値。ゼロが何であるかはモデリングの種類によって異なります。
• 連続（コーディングなし）：ゼロはゼロの値
• ＣＣ：中心点の値、すなわち１／２（最大＋最小）
• N：名義入力がどのようにパラメータ化されるかのため、0に対応するレベルがあるとは考えにくいです。
• O：最低レベル

変動の会計処理

イントロ

• 2種類
• 割り当て可能（体系的）：入力に対して行われた変更に起因する可能性があります。シグナルとも呼ばれます。
• ランダム（ノイズ）：原因不明の変動（まだ）。
• 
•  モデルをデータに適合させるとき、応答とパラメータに「帽子」を付けて、応答が期待値（適合）であり、パラメータが推定値であることを示します。
• 

変動の会計処理

統計的検定

• 多数の統計的検定で、説明可能な変動性とノイズの比率が調べられます。仮定は、この変動が実際には誤ったラベルの付いたノイズであるということです。これが本当なら、比率は約1になるはずです。比率が大きいほど、仮定が誤っている可能性が高くなります。
• ある仮定（例えば、データが独立しており、同一に分布している、またはＩＩＤ）を仮定すると、比率は既知の統計分布に従う。この分布は、変動性の定量化方法によって異なります。
• 既知の統計的分布が与えられると、特定の値がどれだけありそうかについての確率論的な記述をすることができます。

 

変動の会計処理

主な分散分析

 

• 自由度：関心のある値を計算するために使用される独立した観測値の数。
• モデル： ME、連続効果ごとに1つ、Nレベル：カテゴリカル効果ごとに1つ。2FI以上の場合は、MEを乗算します。
• 合計： N回の観測：1
• エラー： df _合計 ：df _モデル

 

変動の会計処理

主な分散分析

• 平均二乗：SS / df
• F：二乗平均の比率（MS _モデル /ミズ_エラー ）
• R ² ：SSの比率_モデル / SS _合計
• RMSE：MSの平方根_エラー
• R ² adj： 

変動の会計処理

運動不足

• 純粋誤差：一定条件下での変動 純粋な誤差を推定するには3つのことが必要です。
• 複製
• モデル誤差と純粋誤差の推定に同じ方法を使用していません
• 誤差を推定するために残されたdfがあります（つまり、飽和モデルを当てはめていません）。
• 仮定：モデル誤差（MS _エラー ）はランダム誤差の良い推定値です。それがかなり大きい場合は、追加の変動性はモデルの適合性が悪いことが原因である可能性があります。
• あぶない： 大きな比率は、純粋な誤差が過小評価されているためである可能性もあります。

変動の会計処理

効果

• 与えられた効果の統計的検定は、その効果によって説明できる系統的変動の大きさをノイズ変動と比較します。
• 相関効果は互いに変動性を共有します。この共通の変動性はグループ全体にのみ関連付けることができ、個々の効果間で分離することはできません。
• 1つの解決策は、モデル内の他のすべての効果の影響を考慮に入れた後で、効果によってもたらされる変動性のみを調べることです。これはType III SSとして知られています。
• 多項式の符号化と（非）センタリングは相関構造を変更します。