抽樣充分性評估我們有一個合金數據庫，比方說Steel數據庫。在該數據庫中，它包含100種鋼的信息。
在這個數據庫中，我們有組成，即每個元素的濃度。和合金的性質。 一個例子如下所示。
我想使用這些數據來創建模型，該模型可用於預測新鋼的硬度。但是，我擔心我們現在擁有的數據大小不足以代表我們調查的鋼種。
我想知道是否有統計評估抽樣充分性的統計方法？謝謝。
回复：抽樣充分性評估我認為確定您是否有足夠樣本的最佳方法是執行分析並評估模型診斷。“足夠”，我指的是質量和數量。充分性取決於數據的許多方面，因此我認為，例如，在這種情況下，簡化樣本量計算將沒有幫助或適當。
回复：抽樣充分性評估詳細說明Mark的觀點：運行模型並保存預測公式和任何其他相關輸出。 另外，檢查所有相關維度的模型輸出。 模型的平均準確度如何？預測間隔有多寬？您是否關注特定類型的估計錯誤？
您的準確度取決於樣本大小，但也取決於模型的準確性。 因此，您可以增加樣本大小和/或提高模型的準確性。我認為沒有一種通用的公式方法可以更好 - 這取決於您正在使用的特定數據和問題的背景。 如果您願意發布您的數據，我相信有些人會願意進一步探索這些數據（我是）。
回复：抽樣充分性評估感謝Dale指出了一些具體的建議。為了更進一步，我建議你看看幫助>書籍>擬合線性模型>擬合最小二乘法。（我假設您打算使用線性模型。）平台菜單下有許多稱為行診斷的功能。這些工具旨在幫助您了解模型和數據的優缺點。
Actual by Predicted plot是一種了解模型中偏差的方法（如果有的話）。
Leverage Plots將幫助您了解每個變量中的數據問題，例如與其他變量的共線性以及某些觀察的異常影響。
基於殘差的圖可用於評估數據滿足模型假設的程度。“實際按預測”或其中一個殘差圖中存在偏差表明缺乏擬合問題，可通過添加術語作為現有變量（例如，權力或交叉項）或其他變量的變換來解決。
你打算用什麼樣的型號？
線性模型有許多優點，但它們只是如此靈活（畢竟有限的泰勒系列）。神經平台可能更適合複雜的關係。您可以使用Actual by Predicted和殘差圖進行評估。
