Y = XB. Y y X es conocido.
Hice un martix X, la primera columna es 1. La siguiente columna es el valor variable. (Modelo RSM. por ejemplo, x1 x2 x3 x1 ^ 2 x1x2 x1x3 x2 ^ 2 x2x3 x3 ^ 2)
La columna 2-10 no está normalizada.
Yo uso JMP encaja este matriz X normalizada y seleccione marco / RSM.
el primer paso es usar todo el parámetro y puedo obtener el resultado de la regresión lineal
R cuadrado es 0.91
si utilizo este X normalizado Matriz para regresión lineal. - En python.
método serval
1. pinv (x) * Y
2. pin (xt * x) xt * Y
3. lstsq (mat_X, mat_Y.T)
4. sm.OLS ( afable , mat_X )
el resultado de R cuadrado es aproximadamente 0.92 que es similar a jmp reuslt.
Si lo normalizo este X Martix.
mat_X [:, 1:] = np.around (2 * (mat_X [:, 1:] - mat_X [:, 1:]. mean (0)) / (np.ptp (mat_X [:, 1:], eje = 0)))
el resultado de R cuadrado es aproximadamente 0.87. mucho más pequeño que el resultado de JMP.
así que me pregunto si JMP normaliza los datos durante su modelo de ajuste ...
Según el análisis del DOE. esta normativa es necesaria ...
Hola gracias por tu sugerencia.
Me he enterado de la jmp reuslt. de este resultado.
tienes razón. jmp codificó la variable de entrada.
Y entiendo por qué hay una diferencia.
mi valor como la ronda del valor normalizado (-1/0/1) mientras que JMP no lo hace.
obviamente El valor continuo mostrará un mejor resultado de ajuste.
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 - (-0.00520833333333333)) * 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 - (-0.00520833333333333)) * 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 diseña el experimento con JMP y crea la tabla de datos de diseño, cada factor continuo tendrá la propiedad de codificación. Fit Least Squares usa esta propiedad para codificar los niveles de factor internamente de -1 (min) a +1 (max). La etiqueta del término en las Estimaciones de Parámetros cambia a algo como X1 (min, max) para indicar que las estimaciones utilizaron niveles codificados, no niveles reales.
Si ingresa los factores en una tabla de datos de alguna otra manera, entonces es probable que no tengan esta propiedad de columna y Fit Least Squares no codificará los niveles.
