Diferentes pendientes entre lin. regresión y eje principal de elipse de densidad: ¿por qué?Hola comunidad JMP,
Esta puede ser una pregunta tonta, pero no puedo entender por qué la pendiente de una regresión lineal no coincide con la del eje principal de la elipse de distribución para el mismo conjunto de datos (ver más abajo).
Gracias por tu ayuda.
Sinceramente,
TS
Re: Distintas pendientes entre lin. regresión y eje principal de elipse de densidad: ¿por qué?Mira esto artículo para obtener antecedentes sobre el cálculo de las estimaciones de regresión ortogonal.
Re: Distintas pendientes entre lin. regresión y eje principal de elipse de densidad: ¿por qué?Hola, Mark,
Gracias por tu comentario. Después de tratar de entender un concepto de Ajuste ortogonal con relación de varianza.De Jmp Document, ya conozco el concepto y cómo calcular una relación de intercepción, pendiente y varianza cuando la relación de varianza = 0.
De todos modos, Jmp Document todavía no menciona una teoría de Cómo calcular una pendiente y un intercepto cuando la razón de varianza no es igual a 0. ¿Tienes algún conocimiento sobre esto?
Cotizar
Re: Distintas pendientes entre lin. regresión y eje principal de elipse de densidad: ¿por qué?Puede comenzar con Ayuda > Libros > Análisis básico > Bivariado. Los detalles estadísticos al final de este capítulo proporcionan esta explicación:
Ajuste ortogonal
El ajuste de mínimos cuadrados estándar asume que la variable X es fija y la variable Y es un
función de X más error. Si hay una variación aleatoria en la medida de X, debe ajustar un
línea que minimiza la suma de las diferencias perpendiculares al cuadrado (Figura 5.26). Sin embargo,
la distancia perpendicular depende de cómo se escalan X e Y, y la escala para el
la perpendicular se reserva como un problema estadístico, no gráfico.
Figura 5.26 Línea perpendicular a la línea de ajuste
El ajuste requiere que especifique la relación entre la varianza del error en Y y el error en X. Este
es la varianza del error, no la varianza de los puntos de muestra, por lo que debe elegir con cuidado.
La razón es infinita en mínimos cuadrados estándar porque es cero. si haces un
ajuste ortogonal con una gran tasa de error, la línea ajustada se aproxima a la línea estándar de mínimos cuadrados
fuera de él. Si especifica una relación de cero, el ajuste es equivalente a la regresión de X en Y, en lugar de Y
en x
El uso más común de esta técnica es comparar dos sistemas de medición que ambos
tienen errores al medir el mismo valor. Así, el error de respuesta de Y y la medida de X
error son ambos el mismo tipo de error de medición. de donde sacas el error de medicion
variaciones? No puede obtenerlos a partir de datos bivariados porque no puede decir cuáles
sistema de medición produce qué proporción del error. Entonces, o bien debes ciegamente
asuma alguna relación como 1, o debe confiar en mediciones separadas repetidas del mismo
unidad por los dos sistemas de medida.
Una ventaja de este enfoque es que los cálculos le dan valores predichos para Y
y X; los valores pronosticados son el punto de la línea más cercano al punto de datos, donde
la cercanía es relativa a la razón de varianza.
Los límites de confianza se calculan como se describe en Tan e Iglewicz (1999).
Re: Distintas pendientes entre lin. regresión y eje principal de elipse de densidad: ¿por qué?hola dan
tengo una pregunta sobre Ajuste ortogonal entre varianzas univariadas, Comp de impresión y Ajuste X e Y.
Desde mi entender. Cuando usamos Fit X e Y para trazar una línea ortogonal sin error. Para varianzas univariadas, Prin Comp agregará la relación de varianza de error al cálculo y encontrará la simetría de la ecuación entre la línea otogonal superior e inferior.
Mi pregunta es ¿Cómo Jmp puede calcular la relación de varianza, UpperCL y LowerCL? Todavía me quedé atrapado este largo tiempo.
Te lo agradezco mucho.
Gracias
Re: Distintas pendientes entre lin. regresión y eje principal de elipse de densidad: ¿por qué?Porque la línea de regresión asume que no hay error/variabilidad en los valores de X. Toda la variabilidad está en la Y. Una elipse de densidad no hace esa suposición. Para ver esto, desde su gráfico Ajustar Y por X, elija Ajustar ortogonal > Varianzas univariadas, Comp de impresión. Esa línea será el eje mayor de la elipse de densidad.
