Lineare RegressionHi,
Ich suche nach dem richtigen Begriff für das, was ich zur Analyse meiner Daten verwende. Nach meinem Verständnis handelt es sich weder um eine multiple noch um eine multivariate lineare Regression:
Ich möchte eine globale lineare Anpassung für mehrere gemessene Proben. Also habe ich x und y für 5 Proben gemessen, die jeweils y = mx + n ergeben. Ich führe eine lineare Regression aller dieser 5 Proben gleichzeitig durch und erhalte ein m und n für alle 5. Wie heißt das?In JMP verwende ich "Modell anpassen" mit Rollenvariable y, Modelleffekt x und kreuze dann mit der Probennummer.
Danke, das konnte ich bisher bei meiner Suche nicht finden!
Re: Lineare RegressionIch komme spät, aber ich habe herausgefunden, dass der Parallelitätstest in nichtlinearen Anpassungen wie gewünscht auch eine gemeinsame Steigung ergibt.
Wählen Sie auf der Menüregisterkarte Analysieren die Option Spezialisierte Modellierung und dann Nichtlinear aus. Gruppieren Sie Ihre Daten (in Ihrem Fall nach Chips) im Dialogfeld und führen Sie das Modell aus. Wählen Sie im Fenster „Anpassen“ auf der Registerkarte „Anpassungskurve“ (rotes Dreieck) die Option „Polynome (lineare Anpassung)“ aus. Dies ergibt standardmäßig unabhängige Neigungen und Schnittpunkte für alle Gruppen. Um die Steigung zu teilen, wählen Sie Parallelität testen auf der Registerkarte „Linear Fit“ (rotes Dreieck). Eine neue Registerkarte mit den Parameterschätzungen für parallele Anpassungen wird geöffnet, in der Sie die gemeinsame Steigung und die einzelnen Schnittpunkte finden. Ich hoffe das hilft.
Re: Lineare RegressionVielen Dank für die Klärung!Re: Lineare RegressionNein. EIN einfache lineare Regression wäre das Ergebnis, wenn Sie für jede Ebene von Chip separat eine Zeile an die Daten anpassen. Sie können dies in Bivariat ganz einfach tun, wenn Sie Chip in die Analyserolle „Nach“ setzen oder den Menübefehl „Gruppieren nach“ in Bivariat verwenden. Die SLR-Ergebnisse sind jedoch unabhängig. Der Schnittpunkt und die Steigung stehen über die Chips hinweg nicht in Beziehung. Sie möchten die Steigung aller Chips auf die gleiche beschränken, also verwenden Sie a multiple Regression Modell, in dem Sie Terme hinzufügen können, um darzustellen, wie die Antwortvariablen Ihrer Meinung nach mit den Prädiktorvariablen zusammenhängen.
Re: Lineare RegressionVielen Dank! Ja, der Querbegriff war nicht das, wonach ich gesucht habe. Wenn also nur der Chip als Modelleffekt hinzugefügt würde, würde die Bewertung immer noch als einfache lineare Regression betrachtet werden?
Re: Lineare RegressionEs gibt nur 4 Koeffizienten für die 5 gekreuzten Effekte, weil einer weggelassen werden muss (da er durch die anderen 4 bestimmt wird).Wenn Sie die 5 Koeffizienten sehen möchten, klicken Sie auf den roten Pfeil und erhalten Sie die erweiterten Schätzungen, um alle 5 Ebenen zu sehen.Wenn Sie glauben, dass es eine gemeinsame Steigung gibt (wie die Grafik andeutet), würde ich den Kreuzbegriff nicht einbeziehen.Schließen Sie einfach die Chip-Variable ein und Sie erhalten die geschätzten Schnittpunkte für jeden Chip und nur eine gemeinsame Steigungsschätzung.
Re: Lineare RegressionHi,
Danke für Ihre Antwort! Anbei ein Beispielbericht. Ich bin mir nicht sicher, ob der Befehl Fit model tatsächlich das tut, was ich hoffe:
Es gibt 5 verschiedene Chips mit linearen Abhängigkeiten, sie sollten die gleiche Steigung, aber unterschiedliche Schnittpunkte haben. Ich möchte eine einzige Neigung erhalten, die am besten für alle 5 Chips passt. Ich denke, dies ist das, was als Schätzung für die Temperatur (die unabhängige Variable) angegeben wird? Ich bin mir nicht sicher, was die Schätzungen für jeden einzelnen Chip darstellen und warum es nur 4 statt 5 gibt.
Re: Lineare RegressionIch gehe davon aus, dass durch " mehrere vermessene Exemplare "Sie haben 5 Beobachtungen von (x,y). Sie verwenden eine einfache lineare Regression, um das lineare Trendmodell anzupassen, y = mx + n. Sie passen ein solches Modell entweder mit „Bivariat“ (über den Befehl „Y nach X anpassen“) oder „Kleinste Quadrate anpassen“ (über den Befehl „Modell anpassen“) an.
