7438_es-ES

liliconcom

Modelo Fit: Transformación Cuadrada vs Polinomio de 2º Orden<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />

Estoy utilizando la plataforma Fit Model en JMP para crear un ajuste simple de mínimos cuadrados estándar con un efecto de modelo.  Noté que usar la transformación cuadrada en el efecto da un ajuste diferente al uso del polinomio de segundo orden de ese efecto (después de eliminar el término de primer orden para dejar solo el término de segundo orden).  JMP da una advertencia acerca de dejar el término de primer orden fuera del modelo, pero continué con el análisis que da un resultado significativamente diferente.  ¿Cuál es la diferencia en los dos enfoques?

Re: Modelo Fit: Transformación Cuadrada vs Polinomio de 2do Orden

Si busca en el índice de ayuda "Polinomios centrales", encontrará esto:

Provoca que cualquier término continuo involucrado en un efecto con un grado mayor que uno esté centrado por su media. Esta opción está marcada de forma predeterminada, excepto cuando a un término involucrado en el efecto se le asigna el atributo Efecto de la mezcla o tiene la propiedad de la columna Mezcla. Los términos con la propiedad de la columna de codificación están centrados a medio camino entre sus valores alto y bajo especificados.

El centrado es útil para hacer que los coeficientes de regresión sean más interpretables y para reducir la colinealidad entre los efectos del modelo . (mi énfasis)

Si busca en Google "Variables centrales", puede encontrar una discusión adicional sobre este tema.

Miguel

Re: Modelo Fit: Transformación Cuadrada vs Polinomio de 2do Orden

Me gusta tu respuesta, pero me he preguntado: ¿POR QUÉ centrar los polinomios?

Re: Modelo Fit: Transformación Cuadrada vs Polinomio de 2do Orden

En el cuadro de diálogo modelo para el polinomio de segundo grado con el término lineal eliminado, haga clic en el triángulo rojo junto a Especificación del modelo y desmarque "Centrar polinomios". Entonces tus resultados estarán de acuerdo con el otro modelo que hiciste. Las predicciones del modelo serán las mismas tanto si están centradas como si no.

Miguel