Modelo de ajuste de materiales de buceo profundoAjuste modelo de buceo profundo
Más de lo que probablemente querría saber sobre la adaptación de modelos lineales de efectos fijos con la plataforma Fit Model
- Plataforma para el ajuste de modelos lineales generales univariados y multivariados.
- Univariante: Una respuesta. Varias de las personalidades de adaptación admiten la adaptación simultánea de múltiples respuestas univariadas.
- Modelo lineal: cuando la respuesta es una función lineal de los parámetros.
- Parámetro: un coeficiente desconocido que cuantifica la influencia de una entrada por sí misma o en combinación con otras entradas.
- Efecto fijo: se supone que los parámetros toman un número finito (generalmente pequeño) de valores.
- Efecto aleatorio: parámetros que toman valores de una distribución (típicamente normal).
- General: el modelo se puede hacer lineal usando transformaciones o supuestos de distribución.
- Error: de lo simple (gaussiano univariado) al complejo (multivariado correlacionado).
Introducción
Ejemplos de modelos lineales
Comparación de plataforma
Cuadrados mínimos estándar
- Efectos fijos, efectos aleatorios simples (bloqueo, gráficos, VCs)
- Error gaussiano univariado
- Típicamente de la forma:
Cuadrados mínimos estándar
Fluir
- Ajustar un modelo (con o sin selección de variable)
- Verifique las suposiciones, arregle si es necesario / posible
- Reducir
- Verifique las suposiciones, arregle si es necesario / posible
- Desplegar o rechazar
Cuadrados mínimos estándar
Ejemplo: Big Class
- Ajustar un modelo:
- Efectos principales, interacciones de 2 factores, cuadráticas ( altura 2 )
- Verifique los supuestos: Residuos (diagnóstico de fila) y falta de ajuste. También puede guardar los residuos y trazarlos / probarlos contra niveles de factores categóricos para una varianza homogénea (homoscedasticidad). Estás buscando patrones no aleatorios y puntos de datos inusuales. No lea demasiado en estas gráficas ya que son indicadores aproximados.
- Reducir: eliminar las variables no significativas y / o no importantes
- Volver a revisar
- Implementar / Rechazar
Cómo afecta el tipo de modelado de entrada Interpretación de las estimaciones del efecto principal
- Continuo (sin codificación): el cambio en la respuesta a medida que la entrada cambia una unidad. La pendiente de la línea de regresión asociada con la entrada.
- Continuo (codificación): igual que arriba cuando la entrada se ha recodificado usando la fórmula
- Esto corresponde a un cambio en la respuesta que va desde el punto medio de entrada a un ajuste extremo.
- Nominal: diferencia entre el promedio para el nivel y el promedio de todos los promedios de nivel.
- Ordinal: cambio en respuesta pasando del nivel anterior al actual.
Cómo afecta el tipo de modelado de entrada Interpretación de intercepción
- Interceptar: el valor cuando todas las entradas están en su configuración de cero. Lo que es cero depende del tipo de modelado:
- Continuo (sin codificación): cero es el valor cero
- CC: el valor del punto central, es decir, ½ (máx + min)
- N: debido a cómo se parametrizan las entradas nominales, es poco probable que haya un nivel correspondiente a 0.
- O: El nivel más bajo
Contabilidad para la variabilidad
Introducción
- Dos tipos:
- Asignable (sistemático): se puede atribuir a los cambios realizados en las entradas. También conocida como la señal.
- Aleatorio (ruido): variabilidad sin causa conocida (todavía).
- Cuando ajustamos un modelo a los datos, pondremos “sombreros” en la respuesta y los parámetros para indicar que las respuestas son valores esperados (ajustados) y los parámetros son estimaciones.
Contabilidad para la variabilidad
Pruebas estadísticas
- Un gran número de pruebas estadísticas analizan la relación entre la variabilidad responsable y el ruido. El supuesto es que esta variabilidad es en la actualidad un ruido mal etiquetado. Si esto es cierto, la relación debe ser de aproximadamente 1. Cuanto mayor sea la proporción, más probable es que la suposición sea falsa.
- Dados ciertos supuestos (por ejemplo, los datos son independientes e idénticamente distribuidos, o IID), la proporción sigue una distribución estadística conocida. Esta distribución dependerá de cómo se cuantifique la variabilidad.
- Dada una distribución estadística conocida, se puede hacer una declaración probabilística acerca de qué tan probable es un valor específico.
Contabilidad para la variabilidad
ANOVA PRINCIPAL
- Grados de libertad: número de observaciones independientes utilizadas para calcular el valor del interés.
- Modelo: ME, uno para cada efecto continuo, N Niveles: 1 para cada efecto categórico. Para 2FIs y más, multiplique las ME juntas.
- Total: N observaciones: 1
- Error: df Total : df Modelo
Contabilidad para la variabilidad
ANOVA PRINCIPAL
- Cuadrado medio: SS / df
- F: razón de cuadrados medios (MS Modelo /SRA Error )
- R 2 : cociente de SS Modelo / SS Total
- RMSE: raíz cuadrada de la MS Error
- R 2 adj
Contabilidad para la variabilidad
Falta de ajuste
- Error puro: variabilidad en condiciones constantes. Se requieren tres cosas para estimar el error puro:
- Replicación
- No está utilizando el mismo método para estimar el error de modelo y el error puro
- Queda df sobrante para estimar el error (es decir, no está ajustando un modelo saturado)
- Supuesto: el error del modelo (MS error ) es una buena estimación de error aleatorio. Si es apreciablemente más grande, la variabilidad adicional puede deberse a un modelo mal ajustado.
- Precaución: Una gran proporción también podría ser debido a que el error puro está subestimado.
Contabilidad para la variabilidad
Efectos
- La prueba estadística para un efecto dado compara el tamaño de la variabilidad sistemática que puede explicarse por el efecto a la variabilidad del ruido.
- Los efectos correlacionados comparten la variabilidad entre sí. Esta variabilidad compartida solo puede asociarse con todo el grupo y no puede separarse entre los efectos individuales.
- Una solución es solo observar la variabilidad aportada por un efecto después de que se haya tenido en cuenta la influencia de todos los demás efectos en el modelo. Esto se conoce como Tipo III SS.
- Codificar y (no) centrar polinomios cambia la estructura de correlación.
