63213_zh-CN

liliconcom

适合模型深潜材料

适合模型深潜

您可能想知道如何使用Fit Model平台拟合固定效果线性模型

 

• 用于拟合单变量和多变量一般线性模型的平台。

• 单变量：一个回应。一些拟合个性支持同时拟合多个单变量响应。
• 线性模型：当响应是参数的线性函数时
• 参数：一个未知系数，用于量化输入本身或与其他输入组合的影响。
• 固定效果：假设参数采用有限（通常很小）的数值。
• 随机效应：从（通常是正态的）分布中获取值的参数。
• 概述：模型可以使用变换或分布假设进行线性化。
• 错误：从简单（单变量高斯）到复数（相关多变量）。

介绍

线性模型示例

 

 

 

 

 

平台比较

标准最小二乘法

• 固定效果，简单随机效果（阻塞，绘图，VC）
• 单变量高斯误差
• 通常的形式：

标准最小二乘法

流

• 适合模型（有或没有变量选择）
• 检查假设，如果需要/可能，修复
• 降低
• 检查假设，如果需要/可能，修复
• 部署或拒绝

标准最小二乘法

示例：大班

• 适合模特：  
• 主要影响，2因素相互作用，二次方（ 高度 ² ）
• 检查假设：残差（行诊断）和缺乏适应性。您还可以保存残差并根据分类因子水平绘制/测试它们以获得均匀方差（同方差性）。您正在寻找非随机模式和不寻常的数据点。不要过多地阅读这些图，因为它们是粗略的指标。
• 减少：删除非重要和/或不重要的变量
• 重新检查
• 部署/拒绝

输入建模类型如何影响主效应估计的解释

• 连续（无编码）：当输入改变一个单位时响应改变。与输入关联的回归线的斜率。
• 连续（编码）：使用公式重新编码输入时与上述相同
• 这对应于从输入中点到极端设置的响应变化。
• 标称：水平平均值与所有平均水平平均值之间的差异。
• 序数：从前一级到当前级的响应变化。

输入建模类型如何影响截取的解释

• 截距：所有输入均为零设置时的值。零取决于建模类型：
• 连续（无编码）：零是零值
• CC：中心点的值，即½（最大+最小）
• N：由于名义输入的参数化方式，不太可能存在与0对应的水平。
• O：最低级别

考虑可变性

介绍

• 两种类型：
• 可分配（系统）：可归因于对输入所做的更改。也称为信号。
• 随机（噪声）：可变性，没有已知原因（尚未）。
• 
•  当我们将模型拟合到数据时，我们会在响应和参数上加上“帽子”，以指示响应是预期值（拟合），参数是估计值。
• 

考虑可变性

统计检验

• 大量的统计检验考察了问责可变性与噪声的比率。假设这种可变性实际上是错误标记的噪声。如果这是真的，那么比率应该是大约1。比率越大，假设越假。
• 给定某些假设（例如，数据是独立的且相同分布的，或IID），该比率遵循已知的统计分布。这种分布将取决于如何量化可变性。
• 给定已知的统计分布，可以对特定值的可能性进行概率陈述。

 

考虑可变性

主要方差分析

 

• 自由度：用于计算感兴趣的价值的独立观察的数量。
• 模型： ME，每个连续效果一个，N级：每个分类效果为1。对于2FI和更高，将MEs加在一起。
• 总： N观察：1
• 错误： DF _总 ：df _模型

 

考虑可变性

主要方差分析

• 均方：SS / df
• F：均方比（MS _模型 /女士_错误 ）
• [R ² ：SS的比例_模型 / SS _总
• RMSE：MS的平方根_错误
• [R ² 形容词： 

考虑可变性

缺乏健康

• 纯误差：恒定条件下的可变性。估计纯误差需要三件事：
• 复制
• 您没有使用相同的方法来估计模型误差和纯误差
• 剩下的df来估计误差（即，你不适合饱和模型）
• 假设：模型错误（MS _错误 ）是对随机误差的良好估计。如果它明显更大，则额外的可变性可能是由于模型不合适。
• 警告： 较大的比例也可能是因为纯误差被低估了。

考虑可变性

效果

• 对给定效应的统计检验比较系统变异的大小，可以通过效果与噪声变化来解释。
• 相关效应彼此具有可变性。这种共享的可变性只能与整个组相关联，并且不能在各个效果之间分开。
• 一种解决方案是仅考虑在模型中所有其他效应的影响被考虑之后由效应贡献的可变性。这被称为Type III SS。
• 编码和（非）居中多项式改变了相关结构。