R Plaza<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Digamos que queremos determinar si Y (continua) podría predecirse por otras métricas ( X1, X2, X3 -todos continuos).
Tenemos una tabla con 31 filas, cada fila contiene datos sobre X1, X2, X3 e Y.
Queremos averiguar cuáles son las métricas que debemos usar como entradas para Y, mientras que queremos explicar al menos el 81% de la variación en Y.
Encajamos en el modelo y miramos el "resumen de ajuste", allí vemos un cuadrado R de 0.9, sin embargo, es para todo el modelo X1, X2 y X3. en total .
¿Cómo podemos verificar cuál es el% de variación en Y para cada una de las métricas? por separado ¿Y verificar si es en efecto es> 81%? ¿Deberíamos ajustar el modelo 3 veces por separado?
es decir
1 S t tiempo Y con X1 y compruebe R-cuadrado
2 Dakota del Norte tiempo Y con X2 y compruebe R-cuadrado
3 rd tiempo Y con X3 y compruebe R-cuadrado
Cuando hacemos esto de esta manera obtenemos:
R cuadrado para X1-0.83
R cuadrado para X2-0.82
R cuadrado para X3-0.09
¿Significa que se pueden usar X1 y X2? por separado como entradas a Y, y cuenta el% requerido de la variación en Y? ¿Es este un correcto análisis y declaración?
Gracias
Ramon Bamer
Re: R-cuadradoMuchas gracias !!
Re: R-cuadradoHola rambam54 ,
Estás en lo correcto; según sus resultados, X1 y X2 representan por separado más del 81% de la varianza en los datos de la muestra, por lo que cualquiera de los dos podría ser un candidato como entrada. Sin embargo, recuerde que la muestra R ^ 2, como todas las estimaciones de la muestra, está sujeta a un error de muestreo, por lo que la proporción real de la varianza representada en la población podría ser más o menos. Por lo tanto, si es crítico para la misión que tenga evidencia de que la proporción de varianza explicada por su entrada es superior a 0,81 en la población, es posible que desee establecer un intervalo de confianza en la estimación y asegurarse de que el límite inferior del intervalo de confianza no es t por debajo de 0,81. Si estás usando JMP Pro, bootstrapping sería un buen enfoque dado el tamaño de su muestra. Alternativamente, el cálculo es sencillo (dados los supuestos paramétricos habituales), e incluso hay estadísticas en línea calculadoras eso tomará una entrada simple (tamaño de la muestra, R ^ 2 observado, número de predictores). Con su muestra, los límites del 95% para R ^ 2 de Y regresados a X1 serían ~ 0.72 ≤ R2 ≤ 0.93.
¡Espero que esto ayude!
Julian
