린 사이의 다른 슬로프. 회귀 및 밀도 타원의 주축: 왜?안녕하세요 JMP 커뮤니티입니다.
이것은 어리석은 질문일 수 있지만 선형 회귀의 기울기가 동일한 데이터 세트에 대한 분포 타원의 주축의 기울기와 일치하지 않는 이유를 알 수 없습니다(아래 참조)?
당신의 도움을 주셔서 감사합니다.
진정으로,
TS
Re: lin 사이의 기울기가 다릅니다. 회귀 및 밀도 타원의 주축: 왜?이것 좀 봐 기사 직교 회귀 추정의 계산에 대한 배경.
Re: lin 사이의 기울기가 다릅니다. 회귀 및 밀도 타원의 주축: 왜?안녕 마크,
의견 주셔서 감사합니다. 의 개념을 이해하려고 노력한 후 분산 비율로 직교 맞춤.Jmp 문서에서 나는 이미 개념과 분산 비율 = 0일 때 절편, 기울기 및 분산 비율을 계산하는 방법을 알고 있습니다.
어쨌든, Jmp 문서는 여전히 이론에 대해 언급하지 않습니다 분산비가 0이 아닐 때 기울기와 절편을 계산하는 방법 이에 대한 지식이 있습니까?
인용하다
Re: lin 사이의 기울기가 다릅니다. 회귀 및 밀도 타원의 주축: 왜?도움말 > 책 > 기본 분석 > 이변량으로 시작할 수 있습니다. 이 장의 끝 부분에 있는 통계 세부 정보에서 다음과 같이 설명합니다.
직교 맞춤
표준 최소제곱 피팅은 X 변수가 고정되어 있고 Y 변수가
X의 기능에 오류를 더한 것입니다. X 측정에 무작위 변동이 있는 경우 다음을 적합해야 합니다.
제곱된 수직 차이의 합을 최소화하는 선(그림 5.26). 하지만,
수직 거리는 X와 Y가 어떻게 스케일링되는지에 따라 달라집니다.
수직은 그래픽 문제가 아니라 통계 문제로 예약되어 있습니다.
그림 5.26 맞춤선에 수직인 선
적합을 위해서는 Y 오차의 분산과 X 오차의 비율을 지정해야 합니다. 이것
는 표본 점의 분산이 아니라 오차의 분산이므로 신중하게 선택해야 합니다.
비율은 0이기 때문에 표준 최소제곱에서 무한합니다. 하면
오차 비율이 큰 직교 피팅, 적합선이 표준 최소 자승선에 접근
적합의. 비율을 0으로 지정하면 맞춤은 Y 대신 Y에 대한 X의 회귀와 동일합니다.
X에.
이 기술의 가장 일반적인 용도는 두 가지 측정 시스템을 비교하는 것입니다.
동일한 값을 측정하는 데 오류가 있습니다. 따라서 Y 응답 오차와 X 측정
오류는 모두 동일한 유형의 측정 오류입니다. 측정 오류는 어디에서 발생합니까?
편차? 어느 것을 알 수 없기 때문에 이변량 데이터에서 가져올 수 없습니다.
측정 시스템은 오류의 비율을 생성합니다. 그래서, 당신은 맹목적으로
1과 같은 비율을 가정하거나 동일한 비율을 별도로 반복 측정해야 합니다.
두 측정 시스템에 의한 단위.
이 접근 방식의 장점은 계산이 두 Y에 대한 예측 값을 제공한다는 것입니다.
및 X; 예측 값은 데이터 포인트에 가장 가까운 선의 포인트입니다. 여기서
근접성은 분산 비율에 상대적입니다.
신뢰 한계는 Tan 및 Iglewicz(1999)에 설명된 대로 계산됩니다.
Re: lin 사이의 기울기가 다릅니다. 회귀 및 밀도 타원의 주축: 왜?하이 댄
에 대해 질문이 있습니다 일변량 분산, Prin Comp 및 Fit X 및 Y 사이의 직교 피팅.
내 이해에서. Fit X와 Y를 사용하여 오류 없이 Orthogonal line을 그릴 때. Univariate Variances의 경우 Prin Comp 계산에 오류 분산 비율을 추가하고 상부 및 하부 직교 라인 사이의 방정식 대칭을 찾습니다.
제 질문은 Jmp가 분산 비율, UpperCL 및 LowerCL을 계산하는 방법입니다. 나는 여전히이 오랫동안 붙어 있습니다.
나는 당신에게 매우 감사합니다.
감사해요
Re: lin 사이의 기울기가 다릅니다. 회귀 및 밀도 타원의 주축: 왜?회귀선은 X 값에 오류/변동성이 없다고 가정하기 때문입니다. 모든 변동성은 Y에 있습니다. 밀도 타원은 그런 가정을 하지 않습니다. 이를 보려면 Fit Y by X 플롯에서 Fit Orthogonal > Univariate Variance, Prin Comp를 선택하십시오. 그 선은 밀도 타원의 주축이 됩니다.
