Normiert JMP die Daten für die lineare RSM-RegressionY = XB. Y und X ist bekannt.
Ich habe ein Martix X gemacht, die erste Spalte ist 1. nächste Spalte ist variabler Wert. (RSM-Modell. z. B. x1 x2 x3 x1 ^ 2 x1 x2 x1 x3 x2 ^ 2 x2 x3 x3 ^ 2)
die Spalte 2-10 ist nicht normiert.
Ich benutze JMP Fit dieses un- normierte X-Matrix und wählen Sie marco / RSM.
Der erste Schritt besteht darin, alle Parameter zu verwenden, und ich kann das Ergebnis der linearen Regression erhalten
Das R-Quadrat ist 0,91
wenn ich diese un- normiertes X Matrix für lineare Regression. - in Python
Serval-Methode.
1 pinv (x) * Y
2 Pin (xt * x) xt * Y
3. lstsq (mat_X, mat_Y.T)
4 sm.OLS ( mat_Y . mat_X )
Das R-Quadrat-Ergebnis beträgt etwa 0,92, was jmp reuslt ähnelt.
wenn ich dieses X martix normlierte.
mat_X [:, 1:] = np.around (2 * (mat_X [:, 1:] - mat_X [:, 1:]. mean (0)) / (np.ptp (mat_X [:, 1:]), Achse = 0)))
Das R-Quadrat-Ergebnis ist etwa 0,87 & mgr; m kleiner als das JMP-Ergebnis.
Ich frage mich also, ob JMP die Daten während des Fit-Modells normiert ...
Nach DOE-Analyse. diese normierung ist notwendig ...
Re: Normiert JMP die Daten für die lineare RSM-RegressionHallo danke für deinen Vorschlag.
ich habe die jmp reuslt. aus diesem Ergebnis.
Du hast recht. jmp hat die Eingabevariable codiert.
und ich finde heraus, warum es einen Unterschied gibt.
Meiner Meinung nach als der Runde der normierte Wert (-1/0/1), während JMP dies nicht tut.
offensichtlich Dauerwert zeigt ein besseres Ergebnis.
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 * -0.00777777703149709
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 - (-0.005208333333333)) * 0,00138867940298831
var1_item * (: var10_item - 0,776757812500002) * -0,0126640508917091
var1_item * (: var12_item -0.05156249999999) * 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 -0.005208333333333) * -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 - 0,005208333333333) * 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 - (-0.005208333333333)) * 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 - (-0.005208333333333)) * 0.000473319071720134
(: var8_item - 27.3046875) * (: var10_item - 0,776757812500002) * 0,00073928041332545
(: var9_item - (-0.005208333333333)) * (: var10_item - 0.776757812500002) * -0.00587332411782299
(: var9_item - (-0.00520833333333333)) * (: var11_item -0.05039062499999) * 0,00953104032282317
(: var10_item - 0,776757812500002) * (: var12_item - 0,05156249999999) * -0,0646790675737112
(: var11_item -0.0503906249999999) * (: var11_item - 0.0503906249999999) * -0.180683768377719
(: var11_item - 0.0503906249999999) * (: var12_item - 0.05156249999999) * 0.104048651671741
Re: Normiert JMP die Daten für die lineare RSM-RegressionWenn Sie das Experiment mit JMP entwerfen und die Entwurfsdatentabelle erstellen, hat jeder fortlaufende Faktor die Coding-Eigenschaft. Fit Least Squares verwendet diese Eigenschaft, um die Faktorstufen intern auf -1 (min) bis +1 (max) zu codieren. Die Bezeichnung des Begriffs in den Parameterschätzungen ändert sich in etwas wie X1 (min, max), um anzuzeigen, dass die Schätzungen codierte Pegel und nicht tatsächliche Pegel verwenden.
Wenn Sie die Faktoren auf andere Weise in eine Datentabelle eingeben, verfügen sie wahrscheinlich nicht über diese Spalteneigenschaft, und die Anpassung der kleinsten Quadrate wird die Ebenen nicht codieren.
