Modello di adattamento: trasformazione quadrata rispetto al polinomio del secondo ordine<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Sto utilizzando la piattaforma Fit Model in JMP per creare un semplice accoppiamento di minimi quadrati standard con un solo effetto del modello. Ho notato che l'uso della trasformazione quadrata sull'effetto fornisce un adattamento diverso rispetto all'utilizzo del polinomio di secondo ordine di quell'effetto (dopo aver rimosso il termine del primo ordine per lasciare solo il termine del 2 ° ordine). JMP dà un avvertimento circa l'uscita dal 1 ° ordine dal modello, ma ho continuato con l'analisi che fornisce un risultato significativamente diverso. Qual è la differenza nei due approcci?
Ri: Fit Model: trasformazione quadrata vs 2o ordine polinomialeSe cerchi l'indice di aiuto per "Polinomi centrali" troverai questo:
Fa sì che qualsiasi termine continuo sia coinvolto in un effetto di grado maggiore di uno per essere centrato sulla sua media. Questa opzione è selezionata per impostazione predefinita, tranne quando un termine coinvolto nell'effetto viene assegnato all'attributo Effetto di miscelazione o ha la proprietà della colonna Miscela. I termini con la proprietà della colonna Codifica sono centrati a metà strada tra i loro valori Alto e Basso specificati.
La centratura è utile per rendere i coefficienti di regressione più interpretabili e per ridurre la collinearità tra gli effetti del modello . (la mia enfasi)
Se cerchi Google "Centro variabili" puoi trovare ulteriori discussioni su questo argomento.
Michael
Ri: Fit Model: trasformazione quadrata vs 2o ordine polinomialeMi piace la tua risposta, ma mi sono chiesto: perché centrare i polinomi?
Ri: Fit Model: trasformazione quadrata vs 2o ordine polinomialeNella finestra di dialogo del modello per il polinomio di 2 ° grado con il termine lineare rimosso, fare clic sul triangolo rosso accanto a Specifica modello e deselezionare "Polinomi centrali". Quindi i tuoi risultati saranno d'accordo con l'altro modello che hai realizzato. Le previsioni del modello saranno le stesse sia centrate che non.
Michael
