공정 능력 옵션 내에서 선택하기위한 분배 적합 기준분석 / 품질 및 프로세스 / 프로세스 기능을 사용하고 "Y, 프로세스"데이터 및 "바이"선택을 선택한 후 "배포 옵션"에서 배포 "최상의 적합"을 선택합니다.
그러면 데이터 세트에 수많은 데이터 분포가 적합하며 가장 높은 AICc BIC -2 Loglike를 권장합니다.
비교 세부 정보
제 질문은 BIC를 넘어서 AICc를 선택하거나 -2Loglike (모든 참조 기사 또는 경험)를 선택하고 이러한 가치가 얼마나 유사한지를 서로 인정해야한다는 인식 된 근거가 있습니다. 예를 들어 위의 처음 4 가지 배포판은 c.46에서 50까지 거의 똑같습니다. 그러나 노멀을 사용하는 것이 더 커야한다고 말하는 것이 옳습니다. C.63, 비슷한 정도로 고려 될 수있는 정도 다르게 ?? (다시 언급이나 경험은 인정 될 것이다).
안부 인사 이안
Re : Process Capability 옵션에서 선택하기위한 분배 적합 기준이 기준은 정보 이론에 근거합니다. -2L은 모델의 척도입니다. 바이어스 ,이 값이 작을수록 모델의 편향이 줄어 듭니다. 우리는 일반적으로 최소한의 편견으로 모델을 원합니다. 모델에 관계없이 변화 완벽한 피팅이 될 때까지 모델의 복잡성을 증가시킵니다 (예 : 선형 모델에 용어를 추가). 현재 데이터 세트 만 모델링하려는 경우 그 결과는 좋습니다. 그런 모델은 ' 일반화하다 그래도 새로운 데이터를 나타낼 수 있습니다. 따라서 -2L은 모델에 대한 정보를 제공하지만 일반적으로 모델 선택에 대한 빈약 한 기준으로 간주됩니다.
AIC와 BIC는 모두 -2L 플러스 패널티 분산을 위해. 최소 AIC 또는 BIC는 바이어스와 분산을 최적으로 처리합니다. 두 가지 기준의 차이점은 페널티의 정의에 있습니다. 두 경우의 패널티는 모델의 복잡성과 표본 크기의 함수입니다. AIC는 일반적으로 BIC보다 선호되지만 일부 유형의 모델은 복잡성의 해석에 따라 BIC에서 더 잘 선택되는 것으로 보입니다.
AIC가 가장 좋은 두 모델의 차이점은 후보 모델을 평가할 때 도움이 될 수 있습니다. 4보다 작은 AIC 차이는 차선 모델이 데이터에서 상당한 지원을 받았다는 것을 나타내며, 4에서 10의 차이는 상당히 적은 지원을 나타내며, 10보다 큰 차이는 본질적으로 지원이 없음을 나타냅니다.
참고 :이 기준은 교육 데이터에 따라 다릅니다.
모델의 선택이 관찰 된 시스템에 대한 가용 한 지식을 포함 할 때 가장 좋습니다. 데이터는 어떻게 발생합니까? 그 정보가 모델의 선택을 인도 할 수 있습니까? 모델 선택은 피팅 데이터에 관한 것이 아닙니다.
Re : Process Capability 옵션에서 선택하기위한 분배 적합 기준이것에 대한 감사 마크, 그래서 4 배포판
# 1) 2 법선의 혼합
# 2) Weibull
# 3) 3 법선의 혼합
# 4) 존슨 수호
이것들은 모두 AICc가 유사하지만 4의 범위 내에 있고 유사한 것으로 간주되며, "Normal"이후의 다른 배포본은 10 AICc 점보다 크므로 고려되어서는 안됩니다.
Yor statement "AIC의 차이가 4보다 작 으면 두 번째로 좋은 모델이 데이터에서 상당한지지를 얻었 음을 나타냅니다."# 2 Weibull이 가장 좋습니다. "Mixture"배포본이 우선적으로 강등되는 이유는 무엇입니까? 더 고전적인 Weibull과 같은 배포판 (예 : Normal, Gamma 등).
이것에 대한 당신의 도움을 진심으로 기쁘게 해드 리십시오.
건배 이안Re : Process Capability 옵션에서 선택하기위한 분배 적합 기준아니. AICc 만 사용하기 두 정규 분포의 혼합이 가장 좋은 모델이며와 이블 분포는 동일한 데이터에 적합한 모델의 차선 모델입니다. 와 이블 모델의 연관된 AICc는 일반적인 혼합 모델의 그것과 유사하기 때문에 데이터에서도 많은 지원을받는다고 말할 수 있습니다.
와일드 분포 (예 : 역사적 선호도, 프로세스 이론 등)를 선택하는 데있어 다른 독립적 인 이유가있는 경우 AICc와 함께 해당 정보를 사용하면 정상적인 혼합 모델을 통해이를 선택할 수 있습니다.
좋은 참고 자료는 Kenneth P. Burnham과 David R. Anderson (2002)입니다. " 모형 선택과 다중 모델 추론 : 실용 정보 - 이론적 접근법, 제 2 판 , "스프링 어.
