林間の異なる勾配。回帰と密度楕円の主軸: なぜ?JMP コミュニティの皆様、こんにちは。
これはばかげた質問かもしれませんが、線形回帰の傾きが同じデータセットの分布楕円の主軸の傾きと一致しない理由がわかりません (以下を参照)。
ご協力いただきありがとうございます。
心から、
TS
Re: 林間で傾きが違います。回帰と密度楕円の主軸: なぜ?これを見る論文直交回帰推定値の計算の背景について。
Re: 林間で傾きが違います。回帰と密度楕円の主軸: なぜ?ハイマーク、
コメントありがとうございます。 の概念を理解しようとした後分散比で直交を近似します。Jmp Document から、概念と、分散比 = 0 の場合の切片、勾配、および分散比の計算方法を既に知っています。
とにかく、Jmpドキュメントはまだ理論について言及していません分散比が 0 でない場合の勾配と切片の計算方法。 これについての知識はありますか？
見積もり
Re: 林間で傾きが違います。回帰と密度楕円の主軸: なぜ?Help > Books > Basic Analysis > Bivariate から始めることができます。 この章の最後にある統計の詳細は、次の説明を提供します。
直交に合わせる
標準の最小二乗法では、X 変数が固定され、Y 変数が固定されていると仮定しています。
Xプラスエラーの機能。 X の測定値にランダムな変動がある場合は、
垂直方向の差の二乗和を最小にする直線 (図 5.26)。 でも、
垂直距離は、X と Y のスケーリング方法と、
垂直は、グラフィカルな問題ではなく、統計上の問題として予約されています。
図5.26 適合線に垂直な線
近似では、Y の誤差と X の誤差の分散の比率を指定する必要があります。 これ
は、サンプル ポイントの分散ではなく、エラーの分散であるため、慎重に選択する必要があります。
がゼロであるため、比率は標準最小二乗法では無限大です。 あなたがする場合
誤差率が大きい直交近似では、近似直線は標準最小二乗直線に近づきます
フィットの。 ゼロの比率を指定すると、近似は、Y ではなく、Y に対する X の回帰と同等になります。
Xで。
この手法の最も一般的な用途は、2 つの測定システムを比較することです。
同じ値を測定しても誤差があります。 したがって、Y 応答誤差と X 測定値
エラーは両方とも同じタイプの測定エラーです。 測定誤差はどこで得られますか
差異？ どちらがどちらか分からないため、二変量データからそれらを取得することはできません
測定システムが生成する誤差の割合。 だから、あなたは盲目的に
1のような比率を想定するか、同じ比率を別々に繰り返し測定することに依存する必要があります
2つの測定システムによる単位。
このアプローチの利点は、計算によって両方の Y の予測値が得られることです。
および X;予測値は、データ ポイントに最も近いライン上のポイントです。
近さは分散比に比例します。
信頼限界は、Tan と Iglewicz (1999) で説明されているように計算されます。
Re: 林間で傾きが違います。回帰と密度楕円の主軸: なぜ?ハイ・ダン
について質問があります単変量分散間の直交近似、Prin Comp、および X と Y の近似。
私の理解から。 Fit X and Y を使用して直交線をエラーなしでプロットしたとき。 一変量分散の場合、Prin Comp 計算にエラー分散比を追加し、上と下の直交線の間の方程式の対称性を見つけます。
私の質問は、Jmp がどのように分散比、UpperCL および LowerCL を計算できるかということです。 私はまだこの長い間立ち往生しています。
とても感謝しています。
ありがとうございます
Re: 林間で傾きが違います。回帰と密度楕円の主軸: なぜ?回帰直線は、X 値に誤差/変動性がないと想定しているためです。 すべての変動性は Y にあります。 密度楕円はその仮定を行いません。 これを確認するには、Fit Y by X プロットから、Fit Orthogonal > Univariate Variances, Prin Comp を選択します。 その線が密度楕円の長軸になります。
