Unterschiedliche Steigungen zwischen lin. Regression und Hauptachse der Dichteelipse: warum?Hallo JMP-Community,
Dies mag eine dumme Frage sein, aber ich kann nicht herausfinden, warum die Steigung einer linearen Regression nicht mit der der Hauptachse der Verteilungselipse für denselben Datensatz übereinstimmt (siehe unten)?
Danke für Ihre Hilfe.
Aufrichtig,
TS
Re: Unterschiedliche Steigungen zwischen lin. Regression und Hauptachse der Dichteelipse: warum?Sieh dir das an Artikel für Hintergrundinformationen zur Berechnung der orthogonalen Regressionsschätzungen.
Re: Unterschiedliche Steigungen zwischen lin. Regression und Hauptachse der Dichteelipse: warum?Hallo Mark,
Danke für deinen Kommentar. Nachdem ich versuche, ein Konzept von zu verstehen Fit Orthogonal mit Varianzverhältnis.Aus dem Jmp-Dokument kenne ich bereits das Konzept und wie man ein Intercept-, Slope- und Varianzverhältnis berechnet, wenn das Varianzverhältnis = 0 ist.
Wie auch immer, Jmp Document erwähnt immer noch keine Theorie von So berechnen Sie eine Steigung und einen Schnittpunkt, wenn das Varianzverhältnis nicht gleich 0 ist. Haben Sie hierzu irgendwelche Kenntnisse?
Zitieren
Re: Unterschiedliche Steigungen zwischen lin. Regression und Hauptachse der Dichteelipse: warum?Sie könnten mit „Hilfe“ > „Bücher“ > „Grundlegende Analyse“ > „Bivariat“ beginnen. Die Statistischen Details am Ende dieses Kapitels liefern diese Erklärung:
Orthogonal anpassen
Die Standardanpassung der kleinsten Quadrate geht davon aus, dass die X-Variable fest und die Y-Variable a ist
Funktion von X plus Fehler. Wenn es eine zufällige Abweichung in der Messung von X gibt, sollten Sie a anpassen
Linie, die die Summe der quadrierten rechtwinkligen Differenzen minimiert (Abbildung 5.26). Jedoch,
Der senkrechte Abstand hängt davon ab, wie X und Y skaliert sind, und von der Skalierung für die
senkrecht ist als statistisches Problem reserviert, nicht als grafisches.
Abbildung 5.26 Linie senkrecht zur Anpassungslinie
Die Anpassung erfordert, dass Sie das Verhältnis der Varianz des Fehlers in Y zum Fehler in X angeben. Dies
ist die Varianz des Fehlers, nicht die Varianz der Abtastpunkte, also müssen Sie sorgfältig auswählen.
Das Verhältnis ist in standardmäßigen kleinsten Quadraten unendlich, weil es null ist. Wenn Sie eine
Bei einer orthogonalen Anpassung mit einem großen Fehlerverhältnis nähert sich die Anpassungslinie der Standardlinie der kleinsten Quadrate
Weg von ihm. Wenn Sie ein Verhältnis von Null angeben, entspricht die Anpassung der Regression von X auf Y anstelle von Y
auf X.
Die häufigste Anwendung dieser Technik ist der Vergleich zweier Messsysteme mit beiden
haben Fehler bei der Messung des gleichen Werts. Daher der Y-Antwortfehler und die X-Messung
Fehler sind beide die gleiche Art von Messfehler. Woher kommt der Messfehler?
Abweichungen? Sie können sie nicht aus bivariaten Daten erhalten, weil Sie nicht sagen können, welche
Messsystem erzeugt welchen Anteil des Fehlers. Also müssen Sie entweder blind
Nehmen Sie ein Verhältnis wie 1 an, oder Sie müssen sich auf getrennte wiederholte Messungen desselben verlassen
Einheit durch die beiden Messsysteme.
Ein Vorteil dieses Ansatzes besteht darin, dass die Berechnungen Ihnen vorhergesagte Werte für Y liefern
und X; die vorhergesagten Werte sind der Punkt auf der Linie, der dem Datenpunkt am nächsten liegt, wo
Nähe ist relativ zum Varianzverhältnis.
Konfidenzgrenzen werden wie in Tan und Iglewicz (1999) beschrieben berechnet.
Re: Unterschiedliche Steigungen zwischen lin. Regression und Hauptachse der Dichteelipse: warum?Hallo Dan
Ich habe eine Frage bzgl Fit Orthogonal zwischen univariaten Varianzen, Prin Comp und Fit X und Y.
Von meinem verstehen. Wenn wir Fit X und Y verwendet haben, um eine orthogonale Linie ohne Fehler zu zeichnen. Für univariate Varianzen, Prin Comp Es wird das Fehlervarianzverhältnis zur Berechnung hinzugefügt und die Gleichungssymmetrie zwischen der oberen und unteren orthogonalen Linie gefunden.
Meine Frage ist, wie Jmp das Varianzverhältnis, UpperCL und LowerCL berechnen kann? Ich bin immer noch so lange hängengeblieben.
Ich schätze Sie sehr.
Danke
Re: Unterschiedliche Steigungen zwischen lin. Regression und Hauptachse der Dichteelipse: warum?Weil die Regressionslinie davon ausgeht, dass es keine Fehler/Variabilität in den X-Werten gibt. Die gesamte Variabilität liegt im Y. Eine Dichteellipse macht diese Annahme nicht. Um dies zu sehen, wählen Sie in Ihrem Diagramm Fit Y by X Fit Orthogonal > Univariate Variances, Prin Comp. Diese Linie wird die Hauptachse der Dichteellipse sein.
