다중 혼합 모형 회귀 분석을 수행 할 때 다중 공선 성을 다루는 방법모든 예측 변수가 화학 혼합물의 일부이고 모든 예측 변수의 합이 1이므로 인터셉트없이 회귀 모델을 수행하고 있습니다. R2 및 R2 유효성 검사는 양호하지만 주요 용어 및 교차 용어에 대한 VIF는 5보다 높습니다.
이것을 처리하는 가장 좋은 방법은 무엇입니까?
이 모델을 사용하여 혼합물의 특성을 예측하고 있습니다. 비율과 같은 예측 변수에 추가 제약 조건을 제공해야합니까 (예 : 범위의 x1 / x2)?
재 : 다중 혼합 모형 회귀 분석을 수행 할 때 다중 공선 성을 다루는 방법첫째, 설명의 요점. Scheffe 혼합 모델의 경우 절편이 있습니다. 주 효과 모수 추정값과 결합되어 표시되지 않습니다. 이것은 절편이없는 모델이 아닙니다. 분산 분석표를 보면 Scheffe 모델에 적합하다는 것을 확인할 수 있습니다. "감소 된 모델에 대한 테스트 : Y = 평균"이라고 표시되어야합니다. 그렇지 않은 경우, 생각대로 Scheffe 혼합 모델을 적합하지 않은 것입니다.
이제 높은 VIF를 위해. 이것은 혼합 모델에 매우 일반적입니다. 할 수있는 일은 거의 없습니다. 먼저 의사 구성 요소 코드 값을 사용하고 있습니까? 디자인이 JMP로 작성된 경우 자동으로 사용해야합니다. 모수 추정값을 보면 의사 구성 요소 코딩이 사용되는지 확인할 수 있습니다. c와 d가 상수 인 (X1-c) / d와 같은 것을 볼 수 있습니다. 이 내용이 보이지 않으면 의사 구성 요소 코딩 열 속성을 설정 한 다음 모델을 적합화할 수 있습니다.
유사 컴포넌트 코딩을 사용하더라도 VIF는 매우 높을 수 있습니다. 혼합 성분이 제한적 일수록 VIF가 높아집니다. 높은 VIF는 바람직하지 않지만 혼합 모델의 목표는 예측입니다. 모델에서 여전히 좋은 예측을 얻을 수 있습니다. 이것이 궁극적 인 목표라는 것을 기억하십시오. 높은 VIF는 테스트에 영향을 미치는 모수 추정치에 대해 더 높은 표준 오류를 유발합니다. 모형을 줄이는 것이 더 어렵지만 예측에 모형을 사용할 수 있습니다.
재 : 다중 혼합 모형 회귀 분석을 수행 할 때 다중 공선 성을 다루는 방법댄, 답변 주셔서 감사합니다! JMP에서 디자인을 만들지 않은 한 의사 구성 요소 코딩은 없지만 모든 예측 변수를 열 속성 드롭 박스를 통해 혼합으로 표시했습니다.
L Pseudo Component Coding 및 U Pseudo Component Coding의 확인란도 확인해야합니까? 모든 예측 변수에 대해 수동으로 표준화를 시도했지만 더 이상 혼합이 아니고 (Sum is not equal 1) JMP에서 R2를보고하지 않습니다.
또한, VIF가 높은 혼합 모델을 구축 한 후 모델과 함께 예측 비율의 범위를보고하는 것이 합리적이라고 생각하십니까? 일반적으로 외삽을 피하기 위해 최소 최대 값 만 증명했습니다.
재 : 다중 혼합 모형 회귀 분석을 수행 할 때 다중 공선 성을 다루는 방법L 의사 구성 요소 코딩 확인란을 선택합니다. 두 가지를 모두 확인할 수는 있지만 다른 요소에 다른 유형의 코딩이 사용될 위험이 있습니다. 한 가지 유형을 고수하는 것이 더 쉽다는 것을 알았습니다. L 의사 구성 요소 코딩이 일반적으로 가장 좋습니다.
이 표준화는 독립 요인에 대한 기존 실험 설계와 다릅니다.
마지막 질문에 관해서는이 모델을 사용할 사람들에게 가장 적합한 것이 무엇인지 결정하십시오. 개인적으로 구성 요소 범위를 원할 것입니다. 모델이 비율이 아니기 때문에 비율이 어색한 것을 알 수 있습니다. 마지막으로, JMP를 사용 중이고 구성 요소를 올바르게 설정 한 경우 (JMP를 사용하여 디자인을 만들 때의 이점) 프로파일 러는 외삽을 피하기 위해 구성 요소의 범위를 자동으로 설정합니다. 또한 구성 요소의 유효 범위를 표시하는 혼합물 프로파일 러가 있습니다.
재 : 다중 혼합 모형 회귀 분석을 수행 할 때 다중 공선 성을 다루는 방법콘스탄틴,
내 $ .02, 가져 가거나 떠나십시오.
당신은 최적화의 세계에 있습니다. 이를 위해서는 통계 분석의 다른 사용 및 해석이 필요합니다. 예를 들어, 통계적 유의성에 관심이없는 것은 이미 결정된 것입니다. R- 제곱 (및 R- 제곱 조정)은 모델 구축의 특정 단계에서 매우 유용 할 수 있지만 최적화 중에는 유용하지 않습니다. (BTW, R- 제곱은 결과의 외삽과 거의 관련이 없으며 손에 든 데이터에만 관련됩니다). 내 조언은 JMP에서 제공하는 등고선 맵을 사용하고 실제로 해당 혼합물을 실행하고 실제 결과를 (등고선 맵의) 예측 결과와 비교하는 것입니다. 경험적 데이터를 사용하여 잔차 분석을 수행하고 적절하게 맵을 수정하십시오. 비율이나 다른 변환을 사용하여 지나치게 복잡한 값을 피하십시오. 노이즈와 시간에 따른 노이즈의 영향 (예 : 측정 오류, 입력 화학 물질의 로트 간 변동, 주변 조건 등)을 정확히 이해하지 않고 최적화 설계를 실행하는 경우 추가로주의해야 할 점은 등고선 맵이 그리 크지 않을 것입니다. 실제 결과의 좋은 예측 자.
재 : 다중 혼합 모형 회귀 분석을 수행 할 때 다중 공선 성을 다루는 방법Statman, 감사합니다! 나는 최적화에 들어 가지 않았지만 나중에 올 수 있다고 생각했다. 지금은 유리의 구성을 알고있는 특정 특성을 예측해야합니다. 모델링에 매우 "고가의"과거 데이터를 사용하며 데이터가 제대로 설계되지 않았거나 전혀 구성되지 않았으며 일부 구성 요소의 상관 관계가 0.7 이상입니다.
그래서 저는 모델에 대해 중요한 교차 조건을 선택하고 예측을위한 적절한 유리 구성 요소를 정의하는 방법에 대해 생각하고 있습니다. 나는 매우 유망한 소리로 제안한대로 등고선지도를 검사 할 것입니다!
재 : 다중 혼합 모형 회귀 분석을 수행 할 때 다중 공선 성을 다루는 방법아마도 나는 의사 소통이 잘되지 않을 것이다. 혼합 설계를 수행하는 경우 실제로 최적화의 세계에 있습니다. 이는 이미 모델링 할 중요한 요소를 결정하고 (최소 1 차 모델 보유) 노이즈를 이해한다는 의미입니다. 최근 게시물에 제대로 설계되지 않은 연구에서 과거 데이터 세트를보고 있다고 제안합니다. 이 어플리케이션에서 믹스 디자인을 사용하는 것에 대한 나의 비유 : "당신은 산의 기초를 매핑하고 있습니다". 혼합물 디자인에 대한 배경 지식은 확실하지 않지만 Cornell의 저서 "혼합 실험"을 참조하십시오.
분명히 당신은 실마리를 얻기 위해 과거 데이터를 볼 수 있지만 일반적으로 이것은 일종의 회귀 절차입니다. 그런 다음 혼합물의 성분을 실험하여 최적화하려는 지점에 도달 할 때까지 반복합니다.
재 : 다중 혼합 모형 회귀 분석을 수행 할 때 다중 공선 성을 다루는 방법이미 책을 받았습니다. 감사합니다!재 : 다중 혼합 모형 회귀 분석을 수행 할 때 다중 공선 성을 다루는 방법또한 JMP를 사용한 제형의 혼합 실험에 대한 Snee and Hoerl의 새 책을 추천합니다. 지금은 사본을 얻을 수있는 좋은 시간입니다 프로모션 eBook 용 SAS Press도 제공합니다!
