R-square<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Diciamo che vogliamo determinare se Y (continuo) potrebbe essere previsto da altre metriche ( X1, X2, X3 -tutti i continui).
Abbiamo una tabella con 31 righe, ogni riga contiene dati su X1, X2, X3 e Y.
Vogliamo scoprire quali sono le metriche da utilizzare come input per Y, mentre vogliamo rappresentare almeno l'81% della variazione in Y.
Abbiamo adattato il modello e guardato il "riassunto di adattamento", lì vediamo R-square di 0.9, tuttavia è per l'intero modello X1, X2 e X3 del tutto .
Come possiamo controllare qual è la% della variazione in Y per ciascuna delle metriche separatamente e verificare che sia effettivamente> 81%? Dovremmo montare il modello 3 volte separatamente?
vale a dire
1 st tempo Y con X1 e controllo R-quadrato
2 ND tempo Y con X2 e controllo R-quadrato
3 rd tempo Y con X3 e controllo R-quadrato
Quando lo facciamo in questo modo otteniamo:
R-square per X1-0,83
R-square per X2-0,82
R-square per X3-0.09
Significa che è possibile utilizzare X1 e X2 separatamente come input per Y e conta la% richiesta della variazione in Y? è questa una corretta analisi e affermazione?
Grazie
Ramon Bamer
Ri: quadrato RGrazie mille !!
Ri: quadrato RCiao rambam54 ,
Hai ragione; in base ai risultati, X1 e X2 rappresentano separatamente oltre l'81% della varianza nei dati di esempio, quindi potrebbe essere un candidato come input. Tuttavia, ricorda che il campione R ^ 2 è, come tutte le stime di esempio, soggetto a errore di campionamento, quindi la proporzione effettiva della varianza calcolata nella popolazione potrebbe essere più o meno. Quindi, se è fondamentale che tu abbia delle prove, la percentuale di varianza spiegata dal tuo input è superiore a 0,81 nella popolazione, potresti voler impostare un intervallo di confidenza attorno alla stima e assicurarti che il limite inferiore dell'intervallo di confidenza non sia t inferiore a 0,81. Se ti capita di usare JMP Pro, bootstrapping sarebbe un buon approccio data la dimensione del tuo campione. In alternativa, il calcolo è semplice (date le solite ipotesi parametriche) e ci sono persino statistiche online calcolatrici ciò richiederà un input semplice (dimensione del campione, R ^ 2 osservata, numero di predittori). Con il campione i limiti del 95% per R ^ 2 di Y regrediti a X1 sarebbero ~ 0,72 ≤ R2 ≤ 0,93.
Spero che questo possa essere d'aiuto!
giuliano
