7438_fr-FR

liliconcom

Modèle ajusté: Transformation Carrée vs Polynôme du 2ème Ordre<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />

J'utilise la plate-forme Fit Model dans JMP pour créer un ajustement des moindres carrés standard simple avec un effet de modèle.  J'ai remarqué que l'utilisation de la transformation carrée sur l'effet donne un ajustement différent de celui du polynôme de second ordre de cet effet (après suppression du terme de premier ordre pour ne laisser que le terme de second ordre).  JMP vous avertit de ne pas utiliser le terme du premier ordre dans le modèle, mais j'ai poursuivi l'analyse qui donne un résultat très différent.  Quelle est la différence entre les deux approches?

Modèle Re: Fit: Transformation Carrée vs Polynôme du 2ème Ordre

Si vous recherchez l'index de l'aide pour "Polynômes centraux", vous trouverez ceci:

Fait en sorte que tout terme continu impliqué dans un effet de degré supérieur à un soit centré par sa moyenne. Cette option est cochée par défaut, sauf lorsqu'un terme associé à l'effet se voit attribuer l'attribut Effet de mélange ou possède la propriété de colonne Mélange. Les termes avec la propriété de colonne Coding sont centrés à mi-chemin entre leurs valeurs haute et basse spécifiées.

Le centrage est utile pour rendre les coefficients de régression plus faciles à interpréter et pour réduire la colinéarité entre les effets du modèle. . (mon emphase)

Si vous recherchez "Variables de centre" dans Google, vous pouvez trouver des informations supplémentaires sur ce sujet.

Michael

Modèle Re: Fit: Transformation Carrée vs Polynôme du 2ème Ordre

J'aime votre réponse, mais je me suis demandé: POURQUOI centrer les polynômes?

Modèle Re: Fit: Transformation Carrée vs Polynôme du 2ème Ordre

Dans la boîte de dialogue du modèle pour le polynôme de 2e degré avec le terme linéaire supprimé, cliquez sur le triangle rouge en regard de Spécification du modèle et décochez l'option "Polynômes centraux". Ensuite, vos résultats seront en accord avec l'autre modèle que vous avez créé. Les prédictions du modèle seront les mêmes, qu'elles soient centrées ou non.

Michael