63213_ko-KR

liliconcom

적합 모델 깊은 다이빙 재료

맞는 모델 딥 다이브

Fit Model 플랫폼으로 고정 효과 선형 모델을 맞추는 것에 대해 알고 싶었던 것 이상

 

• 단 변수 및 다변량 일반 선형 모델 피팅 플랫폼.

• 단 변량 : 하나의 반응. 피팅 인격의 일부는 여러 개의 단 변량 응답을 동시에 피팅 할 수 있습니다.
• 선형 모델 : 응답이 매개 변수의 선형 함수 일 때
• 매개 변수 : 입력의 영향을 자체적으로 또는 다른 입력과 함께 정량화하는 알려지지 않은 계수입니다.
• 고정 효과 : 유한 한 (일반적으로 작은) 값을 취하는 것으로 가정 된 매개 변수입니다.
• 무작위 효과 : (일반적으로 정상적인) 분포에서 값을 취하는 매개 변수입니다.
• 일반 : 변형 또는 분산 가정을 사용하여 모델을 선형으로 만들 수 있습니다.
• 오류 : 단순 (단일 변량 가우스)에서 복합 (상관 된 다 변수).

소개

선형 모델 예제

 

 

 

 

 

플랫폼 비교

표준 최소 자승

• 고정 효과, 단순 임의 효과 (차단, 플롯, VC)
• 단 변량 가우스 오차
• 일반적으로 양식 :

표준 최소 자승

흐름

• 모델 맞춤 (변수 선택 여부와 상관없이)
• 가정 확인, 필요한 경우 수정 / 가능
• 줄이다
• 가정 확인, 필요한 경우 수정 / 가능
• 배포 또는 거부

표준 최소 자승

예 : Big 클래스

• 모델에 맞춤 :  
• 주요 효과, 2 요소 상호 작용, 2 차 ( 신장 ² )
• 가정 확인 : 잔여 (행 진단) 및 적합성 부족. 잔차를 저장하고 균질 분산 (동질성)에 대한 범주 적 요인 수준에 대해 플롯 / 테스트 할 수도 있습니다. 비 랜덤 패턴과 비정상적인 데이터 포인트를 찾고 있습니다. 거친 지표이기 때문에이 그림을 너무 많이 읽지 마십시오.
• Reduce : 중요하지 않은 변수 및 / 또는 중요하지 않은 변수를 제거합니다.
• 다시 확인
• 배포 / 거부

입력 모델링 유형에 미치는 영향 주요 효과 추정치의 해석

• 연속 (코딩 없음) : 입력이 한 단위 변경되면 응답이 변경됩니다. 입력과 관련된 회귀 직선의 기울기입니다.
• 연속 (코딩) : 수식을 사용하여 입력을 다시 코딩 한 경우와 동일합니다.
• 이것은 입력 중간 점에서 극단적 인 설정으로가는 응답의 변화에 해당합니다.
• 명목상 : 레벨의 평균과 모든 레벨 평균의 평균 사이의 차이.
• 서수 : 이전 수준에서 현재 수준으로 이동하는 응답이 변경됩니다.

입력 모델링 유형에 미치는 영향 요격의 해석

• 가로 채기 : 모든 입력이 0 설정에있을 때의 값입니다. 모델링 유형에 따라 0이 결정됩니다.
• 연속 (코딩 없음) : 0은 값 0입니다.
• CC : 중심점의 값, 즉 ½ (최대 + 최소)
• N : 공칭 입력이 어떻게 매개 변수화 되었기 때문에 0에 해당하는 레벨은 없을 것입니다.
• O : 최저 수준

변동성 회계

소개

• 두 가지 유형 :
• 지정 가능 (체계적) : 입력 변경 사항이 원인 일 수 있습니다. 신호라고도합니다.
• 무작위 (잡음) : 모르는 원인이있는 변동성 (아직).
• 
•  데이터에 모델을 적용 할 때 응답과 매개 변수에 "모자"를 넣어 응답이 예상 값 (적합)이고 매개 변수가 예상임을 나타냅니다.
• 

변동성 회계

통계 테스트

• 많은 수의 통계적 시험은 책임에 대한 변동성과 잡음의 비율을 조사합니다. 이 변동성은 실제로 레이블이 잘못 지정된 잡음에 있다고 가정합니다. 이것이 사실이라면 비율은 약 1이어야합니다. 비율이 클수록 가정은 틀립니다.
• 특정 가정 (예 : 데이터가 독립적이며 동일하게 분산 된 데이터 또는 IID) 인 경우 비율은 알고있는 통계적 분포를 따릅니다. 이 분포는 변동성이 정량화되는 방법에 따라 다릅니다.
• 주어진 통계적 분포를 감안할 때 특정 가치가 얼마나 큰지에 대한 확률 론적 진술이 가능합니다.

 

변동성 회계

주요 ANOVA

 

• 자유도 : 관심 가치를 계산하는 데 사용 된 독립적 인 관측 수입니다.
• 모델: ME, 각 연속 효과에 대해 하나, N 개의 레벨 : 각 범주 효과에 대해 1 2FI 이상이면 ME를 함께 늘리십시오.
• 합계: N 관측 : 1
• 오류: df _합계 : df _모델

 

변동성 회계

주요 ANOVA

• 평균 제곱근 : SS / df
• F : 평균 제곱의 비 (MS _모델 / MS _오류 )
• 아르 자형 ² : SS의 비율 _모델 / SS _합계
• RMSE : MS의 제곱근 _오류
• 아르 자형 ² 형용사 : 

변동성 회계

착용감 부족

• 순수 오차 : 일정한 조건에서의 변동성. 순수 오류를 추정하기 위해서는 세 가지가 필요합니다.
• 복제
• 모델 오류와 순수 오류를 산정하는 데 같은 방법을 사용하지 않습니다.
• 오류를 추정하기 위해 남아있는 df가 있습니다 (즉, 포화 된 모델에 적합하지 않음)
• 가정 : 모델 오차 (MS _오류 )는 임의 오류의 좋은 추정치입니다. 그것이 상당히 클 경우, 추가 가변성은 잘 맞지 않는 모델로 인한 것일 수 있습니다.
• 주의: 순수 오차가 과소 평가되기 때문에 큰 비율이 될 수도 있습니다.

변동성 회계

효과

• 주어진 효과에 대한 통계적 테스트는 효과에 의해 설명 될 수있는 체계적인 변동성의 크기를 소음 변동성과 비교합니다.
• 상관 효과는 다양성을 공유합니다. 이 공유 변동성은 전체 그룹과 만 연관 될 수 있으며 개별 효과 사이에서 분리 될 수 없습니다.
• 한 가지 해결책은 모델의 다른 모든 영향의 영향을 고려한 후에 효과에 의해 제공된 변동성만을 관찰하는 것입니다. 이것은 Type III SS로 알려져 있습니다.
• 코딩 및 센터링하지 않는 다항식은 상관 구조를 변경합니다.