Interpretation von Parameterschätzungen für katorische VariablenIch habe ein Modell mit nur wenigen aktiven Effekten. Nämlich die drei Haupteffekte in der Tabelle. epsilon_r ^ n und und Rt ^ n sind stetige Variablen, aber E ^ n ist eine kategoriale Variable, die die Werte -1 und +1 haben kann.
Aus dem Vorhersageprofiler geht hervor, dass in allen drei Fällen ein höherer Wert für die unabhängige Variable zu einem niedrigeren vorhergesagten N25 führt (was auch aus physikalischer Sicht erwartet wird).
Warum sind dann die geschätzten Koeffizienten für epsilon_r ^ n und Rt ^ n negativ, aber der Koeffizient für E ^ n ist positiv? Wie soll ich den Ausdruck "[-1 -1]" in der Parametertabelle interpretieren?
Wenn Sie das Modell in der Datentabelle speichern, können Sie auf die folgende Modellformel zugreifen:
Der höhere Wert von E ^ n (dh 1) führt also zu einem niedrigeren Wert in der Formel (dh 0). Ich bin nicht sicher, wie ich diese Informationen aus der Parameterschätzungstabelle erhalten soll. Könnten mir einige das bitte erklären?
AnalytikBetreff: Interpretation von Parameterschätzungen für katorische VariablenHallo @matthias_bruchh ,
Haben Sie zuerst JMP Pro? In diesem Fall empfehle ich dringend, eine Bootstrap-Berechnung für die Parameterschätzungen durchzuführen, um besser zu verstehen, welche Parameter tatsächlich 0 (oder nahe 0) sind und welche wirklich nicht 0 sind, sowie ihre typischen Werte (Mittelwert aus Tausenden von Bootstraps). .
Da Sie jedoch den Nennwert E ^ na festgelegt haben, gibt JMP beim Melden der Parameterschätzungen die möglichen Werte zurück, in diesem Fall [-1 -1], was -1 bis 1 bedeutet. Um besser zu verstehen, wie der E ^ n-Prädiktor in Ihr Modell passt, möchten Sie ihn möglicherweise stattdessen in eine Ordnungszahl ändern.
Der Grund, warum E ^ n einen positiven Koeffizienten (oder 0) erhält, hängt mit der Funktion zusammen, die Sie für Ihre Vorhersage wieder herausholen. Ihre Formel lautet im Wesentlichen wie folgt:
y = exp (a + b * x_1 + c * x_2 + d * x_3 + f)
Um eine größere y-Antwort zu erhalten, sollte das Argument des Exponenten so groß wie möglich sein. Wenn also die Koeffizienten für x_1 und x_2 negativ und "a" und "f" positiv sind, ist dies die einzige Möglichkeit, einen größeren Wert für die zu erhalten Argument ist, den Koeffizienten für x_3 (dh E ^ n) positiv zu machen.
Sie haben erwähnt, dass das Verhalten von N25 physikalisch sinnvoll ist, wenn man sich ansieht, wie es auf die Prädiktoren reagiert. Wenn Sie einen physikalischen (oder chemischen) Prozess betrachten, haben Sie zunächst eine theoretische Gleichung? Wenn ja, sollten Sie dies als Vorhersageformel verwenden und nicht durch Springen eine empirische Formel für Sie generieren lassen. Wenn Sie beispielsweise die Zeit messen, die ein Ball benötigt, um x Meter zu fallen, gibt es eine physikalische Formel, die dies vorhersagt: y = y_0 + v_0 * t + 1/2 * g * t ^ 2, die Formel für die Bewegung in einem Gravitationsfeld. Bei der Analyse solcher Daten in JMP würde ich die Formel auf das theoretische Modell festlegen und prüfen, ob es Abweichungen von der Theorie gibt.
Aber auch hier denke ich, wenn Sie E ^ n in ordinal ändern, könnte es für Sie sinnvoller sein. Wenn JMP wirklich eine empirische Formel generieren muss, sollten Sie die Schätzungen booten oder simulieren, um festzustellen, welche wirklich 0 oder nahe Null sind, um sicherzustellen, dass in Ihrem Modell nichts fehlt.
Hoffe das hilft.
Viel Glück!,
DS
Betreff: Interpretation von Parameterschätzungen für katorische VariablenLieber DS,
Das Ändern von E ^ n von nominal zu ordinal hat tatsächlich den Trick getan. Der absolute Wert für den Parameter ist derselbe wie zuvor, aber das Vorzeichen wurde in negativ geändert, was viel intuitiver ist. Danke vielmals!
Ich habe zwar JMP PRO (habe es aber erst kürzlich bekommen).
Ich habe keine empirische Formel, die ich in diesem Fall verwenden könnte, wäre aber daran interessiert zu wissen, wie das gemacht wird. Wenn Sie mich auf ein Tutorial hinweisen könnten, wäre ich Ihnen dankbar. Gleiches gilt für das von Ihnen erwähnte Bootstrapping.
Grüße,
Matthias
Betreff: Interpretation von Parameterschätzungen für katorische VariablenHallo @matthias_bruchh ,
Ich bin froh, dass der Wechsel zur Ordnungszahl funktioniert und geholfen hat.
Wenn Sie eine Funktion haben, können Sie nach dem theoretischen Modell die Funktion "Formel" in den Spalteneigenschaften verwenden, um eine Spalte basierend auf den Prädiktoren zu "programmieren". Aber es hört sich so an, als hätten Sie kein theoretisches Modell.
Um die Schätzungen zu booten, klicken Sie mit der rechten Maustaste auf die Spaltenschätzungen im JMP-Bericht und wählen Sie dann Bootstrap aus. Wenn es schnell ist, geben Sie vielleicht 5000 ein, aber wenn es langsam ist, lassen Sie es bei 2500. Stellen Sie sicher, dass das Kontrollkästchen "Bruchgewichte" aktiviert ist. Die Anpassung wird mehrmals wiederholt, und Sie erhalten dann eine Werteverteilung für jeden Koeffizienten der Prädiktoren (führen Sie einfach das Skript "Verteilung" in der Ausgabedatentabelle aus. Mit der angezeigten Verteilung und Statistik können Sie dann mit der rechten Maustaste auf die Zusammenfassungsstatistik klicken und "In kombinierte Datentabelle erstellen" auswählen. Stellen Sie sicher, dass Sie auch die Zusammenfassungsstatistik so anpassen, dass der Anteil ungleich Null angezeigt wird.
Die kombinierte Datentabelle enthält den Mittelwert und den Anteil ungleich Null für Ihre Schätzungen. Dort können Sie sehen, wie hoch der Mittelwert (typischer Wert) ist und wie oft (prozentual) diese Schätzung ungleich Null ist. Wenn diese Zahl klein ist, ist die Schätzung häufig Null. Wenn es groß ist, ist es meistens ungleich Null. Auf diese Weise können Sie feststellen, welche Begriffe und gemischten Begriffe Sie in Ihrem Modell benötigen oder nicht benötigen.
Sie können auch "simulieren", dies erfordert jedoch eine andere Formelspalte in der Datentabelle, um sie gegen eine Formelspalte auszutauschen, die Sie in Ihrem Modell verwendet haben. Das ist etwas komplizierter - siehe Autovalidierung von Gotwalt und Ramsey. Es gibt eine PPT und ein Video, die es erklären. Es ist etwas anders und führt zu etwas anderen Ergebnissen beim Bootstrap-Ansatz, macht aber im Grunde das Gleiche. Ich benutze diese Ansätze ständig, um Faktoren im Modell zu eliminieren.
Ein sehr schöner Unterschied zum Autovalidierungsansatz besteht darin, dass er einen Nullfaktor generiert, der völlig zufällig und orthogonal zu Ihren Daten ist. Wann immer dies in den Simulationen häufiger auftritt als in einem Ihrer anderen Faktoren, können Sie definitiv diejenigen eliminieren, die weniger häufig auftreten. Achten Sie hier darauf, dass Sie die Hierarchie- und Vererbungsregeln für Faktoren und deren Kombinationen festlegen. Wenn Sie kein theoretisches Modell und keinen Grund haben, gemischte Begriffe aufzunehmen, würde ich sie ganz weglassen. Es ist nur "Voodoo", wie ein Datenwissenschaftler, den ich kenne, gerne sagt.
Übrigens, stammen die von Ihnen analysierten Daten aus einem DOE oder nur aus regelmäßigen Laborstudien?
Viel Glück!,
DS
Betreff: Interpretation von Parameterschätzungen für katorische VariablenDanke DS,
Ich werde mir das mal ansehen. Und ja, die Daten stammen von einem DOI. (Eigentlich von 3 DOIs. Das Projekt war in drei aufeinander folgenden Phasen strukturiert. Ich habe drei unabhängige DOIs für diese erstellt, da es dort viele Einschränkungen gab und (zu der Zeit) nicht möglich war, sie mit der Funktion "Augment Design" von JMP zu implementieren.)
