Gemischte schrittweise Regression: P-Wert-StoppregelnHallo,
Ich versuche, eine gemischte schrittweise Regression durchzuführen:
Wählen Analysieren > Modell anpassen .
Wählen Sie die Antwortspalte aus und klicken Sie auf Y, Antwort .
Wählen Sie die Prädiktorspalten aus und klicken Sie Hinzufügen oder verwenden Sie eines der Makros wenn Sie Effekte höherer Ordnung einbeziehen möchten.
Klicken Sie auf die Schaltfläche neben Persönlichkeit und auswählen Schrittweise .
Klicken Laufen .
Klicken Mindest-BIC und auswählen P-Wert-Schwellenwert .
Klicken Sie auf Weiterleiten und wählen Sie aus Gemischt .
Klicken Gehen .
Wie soll ich über den Ein- und Austritts-P-Wert entscheiden? Wenn ich mein Modell nicht übermäßig anpassen möchte?
Betreff: Gemischte schrittweise Regression: P-WertMachen Sie sich zunächst bewusst, dass die schrittweise Regression ein Produktivitätstool ist, um Modelle, die minderwertig sind, schnell abzulehnen. Sie kann jedoch nicht garantieren, dass das letzte Modell das beste ist. Es könnte sein, oder es könnte nahe dran sein. Sie müssen eingreifen. Zweitens stammt das Ergebnis aus einer geführten Suche in Vorwärts- oder Rückwärtsrichtung. Der Suchpfad untersucht nicht viele mögliche Modelle, sodass Sie möglicherweise das beste Modell (z. B. lokal oder global) übersehen haben. Drittens müssen Sie auch die Daten und die geschätzten Fehler (Residuen) untersuchen, um festzustellen, ob abweichende Daten oder Verstöße gegen die lineare Regression vorliegen, die eine solche Suche fehlleiten könnten.
Die Wahl eines Kriteriums für die schrittweise Suche ist wichtig. Jeder hat Vor- und Nachteile. Ich verwende nicht viele „Faustregeln“, daher betrachte ich ein hohes R-Quadrat nicht als Hinweis auf eine Überanpassung. Es passiert. Überanpassung bedeutet, dass das Modell nicht auf neue Daten verallgemeinert wird, was in Ihrer Situation wichtig ist. Das angepasste R-Quadrat versucht, eine Überanpassung zu beheben. Kreuzvalidierung ist der beste Weg, aber Sie haben nicht viele Daten für die verschiedenen CV-Techniken, um diese Methode durchzuführen. Wenn Sie über JMP Pro verfügen, können Sie die Bootstrap-Funktion ausprobieren.
Ist der zweite Block lediglich ein Duplikat des ersten Blocks oder enthält er einzigartige Behandlungen, die im ersten Block nicht vorhanden sind? Wie hoch sind außerdem die Kosten (Zeit, Geld usw.) für die Ausführung des zweiten Blocks?
Betreff: Gemischte schrittweise Regression: P-WertHallo Mark_Bailey,
Vielen Dank für Ihre freundliche Hilfe bei der Beantwortung der meisten unserer Fragen.
Könnten Sie bitte eine meiner Fragen zur schrittweisen Regression beantworten?
Ich habe ein benutzerdefiniertes Design mit 7 kontinuierlichen Faktoren mit dem vollständigen Antwortflächenmodell. Der Gesamtentwurf umfasst 48 Experimente mit 2 Blöcken. Nachdem der erste Block fertig war, versuchte ich, eine schrittweise Regressionskontrolle zu verwenden, um meine Daten anzupassen. Durch die Verwendung des P-Wert-Schwellenwerts und des Mindest-BIC habe ich ein ähnliches Modell erhalten. Beide Modelle lieferten mir einen P-Wert <0,05 und R^2 = 0,999998, Rsquare Adj = 0,99996. R^2=1 bedeutet, dass dieses Modell überangepasst ist. Ein P-Wert von weniger als 0,05 bedeutet, dass das Modell signifikant ist. Wie kann ich dieses Modell interpretieren? Reicht es, den zweiten Block nicht laufen zu lassen?
Betreff: Gemischte schrittweise Regression: P-WertDie Stoppregeln basieren auf P -values waren die erste Implementierung der Stepwise-Plattform. Die einzugebenden und zu verlassenden Standardwerte sind gut, wenn keine Vorkenntnisse über die Daten oder das beste Modell vorliegen. (Aber wenn Sie die Antwort wüssten, bräuchten Sie keine schrittweise Regression, um nach der besten Lösung zu suchen.)
Stepwise garantiert nicht, dass Ihre Daten weder unzureichend noch übermäßig angepasst werden. Es handelt sich um ein „Produktivitäts“-Tool, das Ihnen Zeit bei der Untersuchung minderwertiger Passformen spart und Sie an die beste Passform heranführt, wenn nicht sogar an diese.
Zu den modernen Kriterien gehören AICc und BIC. Bei beiden Kriterien wird versucht, die Verzerrung (Unteranpassung) zu minimieren und gleichzeitig die Varianz (Überanpassung) zu minimieren. Sie erfordern keine absoluten Schwellenwerte wie die P -Wert-Stoppregeln. Ich empfehle Ihnen, eine dieser Stoppregeln zu verwenden.
Mithilfe des Verlaufs können Sie einige wichtige Informationen zu den verschiedenen Modellen untersuchen, die während des Suchpfads gefunden wurden. Sie können jede davon mit den Optionsfeldern auf der rechten Seite dieser Liste auswählen. Anschließend können Sie nach oben zurückkehren und auf „Modell erstellen“ (für das Dialogfeld „Modell anpassen“) oder „Modell ausführen“ (für die Plattform „Kleinste Quadrate anpassen“) klicken, wo Sie Feinanpassungen in der Tabelle „Effektzusammenfassung“ vornehmen können.
