Y = XB. Y et X est connu.
J'ai fait un martix X, la première colonne est 1. la colonne suivante est la valeur de la variable. (Modèle RSM. par exemple, x1 x2 x3 x1 ^ 2 x1x2 x1x3 x2 ^ 2 x2x3 x3 ^ 2)
la colonne 2-10 n'est pas normalisée.
JMP convient à ce sous- matrice X normalisée et sélectionnez marco / RSM.
la première étape consiste à utiliser tout le paramètre et je peux obtenir le résultat de la régression linéaire
R-square est 0,91
si j'utilise ce X normalisé matrice pour la régression linéaire. - en python.
méthode servale.
1. pinv (x) * Y
2 broche (xt * x) xt * Y
3 lstsq (mat_X, mat_Y.T)
4 sm.OLS ( mat_Y , mat_X )
le résultat R-carré est d'environ 0,92, ce qui est similaire à jmp reuslt.
si je normlisais ce X martix.
mat_X [:, 1:] = np.around (2 * (mat_X [:, 1:] - mat_X [:, 1:]. mean (0)) / (np.ptp (mat_X [:, 1:], axe = 0)))
le résultat du carré R est environ 0,87 fois plus petit que le résultat JMP.
Je me demande donc si JMP normlise les données au cours de son modèle d'ajustement ...
Selon l'analyse du DOE. cette normalisation est nécessaire ...
Salut merci pour votre suggestion.
j'ai attahced le jmp reuslt. de ce résultat.
tu as raison. jmp a codé la variable d'entrée.
et je comprends pourquoi il y a une différence.
mon bon comme le tour de la valeur normalisée (-1/0/1) tandis que JMP ne fait pas
évidemment la valeur continue montrera un meilleur résultat d'ajustement.
0.286238698909496
0.0108723016776135 *: var1_item
-0.0030783246785283 *: var2_item
-0.00103156547312312 *: var3_item
-0.00639159696577367 *: var4_item
0.00591958635149878 *: var5_item
-0.0116101343183908 *: var6_item
-0.00576482105310824 *: var7_item
-0.0000968264730577947 *: var8_item
0.0119152879877735 *: var9_item
-0.0848833900498315 *: var10_item
0.0622163225141193 *: var11_item
0.0402091328320561 *: var12_item
var1_item * var1_item * -0.0077777770703149709
var1_item * (: var2_item - 0.00260416666666667) * -0.00221885710855179
var1_item * (: var3_item - 24.5807291666667) * -0.000359320174969306
var1_item * (: var4_item - (-0.0104166666666667)) * -0.00362969350701834
var1_item * (: var6_item - 0.00520833333333333) * -0.00199166114217802
var1_item * (: var8_item - 27.3046875) * -0.0000902825315175603
var1_item * (: var9_item - (-0.00520833333333333)) * 0.00138867940298831
var1_item * (: var10_item - 0.776757812500002) * -0.0126640508917091
var1_item * (: var12_item -0.0515624999999999) * 0.00723226555572464
(: var2_item - 0.00260416666666667) * (: var3_item - 24.5807291666667) * -0.000335886721396323
(: var2_item -0.00260416666666667) * (: var4_item - (-0.0104166666666667)) * 0.00191935297074069
(: var2_item - 0.00260416666666667) * (: var5_item - 1.14609374999999) * -0.00196457112219932
(: var2_item - 0.00260416666666667) * (: var10_item -0.776757812500002) * -0.00920871165427011
(: var3_item - 24.5807291666667) * (: var3_item - 24.5807291666667) * -0.0000815627812120544
(: var3_item -24.5807291666667) * (: var4_item - (-0.0104166666666667)) * 0.000191618725149221
(: var3_item - 24.5807291666667) * (: var5_item - 1.14609374999999) * 0.000636976851886725
(: var3_item - 24.5807291666667) * (: var6_item -0.00520833333333333) * -0.000168527994113173
(: var3_item - 24.5807291666667) * (: var9_item - (-0.005208333333333)) * 0.0000915720731626415
(: var3_item -24.5807291666667) * (: var10_item - 0.776757812500002) * 0.000333488716894479
(: var3_item - 24.5807291666667) * (: var11_item - 0.0503906249999999) * -0.000439774767505078
(: var4_item - (-0.0104166666666667)) * (: var6_item -0.00520833333333333) * 0.00096610960767461
(: var4_item - (-0.0104166666666667)) * (: var10_item - 0.776757812500002) * 0.00450546279579516
(: var5_item -1.14609374999999) * (: var6_item - 0.00520833333333333) * 0.0021106676783288
(: var5_item - 1.14609374999999) * (: var7_item - 13.821875) * 0.00217097837772603
(: var5_item - 1.14609374999999) * (: var11_item - 0.0503906249999999) * -0.0115442487991345
(: var6_item - 0.00520833333333333) * (: var7_item - 13.821875) * -0.00125862999783603
(: var6_item - 0.00520833333333333) * (: var10_item -0.776757812500002) * -0.00957578865813035
(: var6_item - 0.00520833333333333) * (: var11_item - 0.0503906249999999) * 0.00993582976587471
(: var7_item - 13.821875) * (: var7_item - 13.821875) * -0.000431452298824955
(: var7_item - 13.821875) * (: var8_item - 27.3046875) * -0.000126745570160173
(: var7_item - 13.821875) * (: var9_item - (-0.00520833333333333)) * 0.000354895921488306
(: var7_item -13.821875) * (: var10_item - 0.776757812500002) * -0.00632400305434231
(: var7_item -13.821875) * (: var11_item - 0.0503906249999999) * 0.00395422868916678
(: var8_item - 27.3046875) * (: var9_item - (-0.00520833333333333)) * 0.000473319071720134
(: var8_item - 27.3046875) * (: var10_item - 0.776757812500002) * 0.00073928041332545
(: var9_item - (-0.00520833333333333)) * (: var10_item - 0.776757812500002) * -0.00587332411782299
(: var9_item - (-0.00520833333333333)) * (: var11_item -0.0503906249999999) * 0.00953104032282317
(: var10_item - 0.776757812500002) * (: var12_item - 0.0515624999999999) * -0.0646790675737112
(: var11_item -0.0503906249999999) * (: var11_item - 0.0503906249999999) * -0.180683768377719
(: var11_item - 0.0503906249999999) * (: var12_item - 0.0515624999999999) * 0.104048651671741
Si vous concevez l'expérience avec JMP et créez la table de données de conception, chaque facteur continu aura la propriété Coding. Ajuster les moindres carrés utilise cette propriété pour coder les niveaux de facteurs en interne de -1 (min) à +1 (max). L'étiquette du terme dans le paramètre Estimations devient quelque chose comme X1 (min, max) pour indiquer que les estimations utilisaient des niveaux codés, et non des niveaux réels.
Si vous entrez les facteurs dans une table de données d'une autre manière, ils ne possèdent probablement pas cette propriété de colonne et l'option Ajuster les moindres carrés ne codera pas les niveaux.
