Différentes pentes entre lin. régression et axe principal d'ellipse de densité : pourquoi ?Salut la communauté JMP,
C'est peut-être une question idiote, mais je n'arrive pas à comprendre pourquoi la pente d'une régression linéaire ne correspond pas à celle de l'axe principal de l'ellipse de distribution pour le même ensemble de données (voir ci-dessous) ?
Merci de votre aide.
Sincèrement,
TS
Re: Différentes pentes entre lin. régression et axe principal d'ellipse de densité : pourquoi ?Regarde ça article pour le contexte du calcul des estimations de régression orthogonale.
Re: Différentes pentes entre lin. régression et axe principal d'ellipse de densité : pourquoi ?Salut Mark,
Merci pour votre commentaire. Après avoir essayé de comprendre un concept de Ajustement orthogonal avec ration de variance.De Jmp Document, je connais déjà le concept et comment calculer un rapport d'interception, de pente et de variance lorsque le rapport de variance = 0.
Quoi qu'il en soit, Jmp Document ne mentionne toujours pas une théorie de Comment calculer une pente et intercepter lorsque le rapport de variance n'est pas égal à 0. Avez-vous des connaissances à ce sujet ?
Devis
Re: Différentes pentes entre lin. régression et axe principal d'ellipse de densité : pourquoi ?Vous pouvez commencer par Aide > Livres > Analyse de base > Bivariée. Les détails statistiques à la fin de ce chapitre fournissent cette explication :
Ajustement orthogonal
L'ajustement standard des moindres carrés suppose que la variable X est fixe et que la variable Y est un
fonction de X plus erreur. S'il y a une variation aléatoire dans la mesure de X, vous devez ajuster un
droite qui minimise la somme des écarts perpendiculaires au carré (Figure 5.26). Cependant,
la distance perpendiculaire dépend de la façon dont X et Y sont mis à l'échelle, et de la mise à l'échelle
la perpendiculaire est réservée à un problème statistique et non graphique.
Figure 5.26 Ligne perpendiculaire à la ligne d'ajustement
L'ajustement nécessite que vous spécifiiez le rapport de la variance de l'erreur en Y à l'erreur en X. Cette
est la variance de l'erreur, et non la variance des points d'échantillonnage, vous devez donc choisir avec soin.
Le rapport est infini dans les moindres carrés standard car est nul. Si vous faites un
ajustement orthogonal avec un grand taux d'erreur, la ligne ajustée se rapproche de la ligne des moindres carrés standard
d'ajustement. Si vous spécifiez un ratio de zéro, l'ajustement est équivalent à la régression de X sur Y, au lieu de Y
sur X
L'utilisation la plus courante de cette technique consiste à comparer deux systèmes de mesure qui
avoir des erreurs dans la mesure de la même valeur. Ainsi, l'erreur de réponse Y et la mesure X
sont toutes deux du même type d'erreur de mesure. Où obtenez-vous l'erreur de mesure
écarts ? Vous ne pouvez pas les obtenir à partir de données bivariées car vous ne pouvez pas dire
système de mesure produit quelle proportion de l'erreur. Donc, vous devez soit aveuglément
supposez un rapport comme 1, ou vous devez vous fier à des mesures répétées séparées du même
unité par les deux systèmes de mesure.
Un avantage de cette approche est que les calculs vous donnent des valeurs prédites pour Y
et X; les valeurs prédites sont le point sur la ligne qui est le plus proche du point de données, où
la proximité est relative au rapport de variance.
Les limites de confiance sont calculées comme décrit dans Tan et Iglewicz (1999).
Re: Différentes pentes entre lin. régression et axe principal d'ellipse de densité : pourquoi ?Salut Dan
j'ai une question sur Ajustement orthogonal entre les variances univariées, Prin Comp et Fit X et Y.
De ma compréhension. Lorsque nous avons utilisé Fit X et Y pour tracer une ligne orthogonale sans erreur. Pour les variances univariées, Prin Comp It ajoutera un rapport de variance d'erreur au calcul et trouvera la symétrie d'équation entre la ligne orthogonale supérieure et inférieure.
Ma question est de savoir comment Jmp peut calculer le rapport de variance, UpperCL et LowerCL ?. J'ai encore collé ce long moment.
Je t'apprécie beaucoup.
Merci
Re: Différentes pentes entre lin. régression et axe principal d'ellipse de densité : pourquoi ?Parce que la ligne de régression suppose qu'il n'y a pas d'erreur/variabilité dans les valeurs X. Toute la variabilité est dans le Y. Une ellipse de densité ne fait pas cette hypothèse. Pour voir cela, à partir de votre graphique Fit Y by X, choisissez Fit Orthogonal > Univariate Variances, Prin Comp. Cette ligne sera le grand axe de l'ellipse de densité.
