Creo que este es un método de regresión lineal pero olvidé cómo realizar el análisis. Tengo dos variables:
ACWP_VNDR_HW por mes_año
Y
MAT por Month_Yr mirando el adjunto parece que podría haber alguna correlación.
Adjunto algunas capturas de pantalla. ¿Puede alguien indicarme si estoy en el camino correcto o, en caso contrario, recomendaciones para continuar? Me gustaría desarrollar una ecuación para VNDR_HR en función de MAT.
¡Gracias!
@dfusco923 Lo único que puedo añadir a todo lo que @statman ha contribuido (con quien estoy de acuerdo en todos los puntos) es a menos que me esté perdiendo algo, ¿parece que podría tener una variable dependiente orientada a series de tiempo?
Baso la pregunta anterior en las etiquetas de los ejes del informe Graph Builder. ¿Quizás datos agregados mensuales? Si ese es el caso, usar la plataforma Fit Y by X para establecer algún tipo de correlación es, en el mejor de los casos, un error. Si de hecho tiene una variable dependiente de serie temporal, entonces se recomienda algún tipo de enfoque de modelado/análisis de serie temporal. Un simple gráfico de ejecución y el uso de lo que yo llamo la 'regla de los 3 segundos' de Peter Bartell es todo lo que necesita. Mi 'regla de los 3 segundos' dice: "Mira un gráfico durante no más de 3 segundos. Entonces tome su decisión o actúe. Porque cuanto más mires fijamente la trama, más probable es que te convenzas de ver algo que simplemente no está allí". Puede volverse más elegante analizando los datos con un gráfico de control... pero la respuesta no cambiará.
Si aplico la regla de los 3 segundos al informe de Graph Builder... no hay nada allí.
No estoy seguro de por qué no solo publicó sus datos... pero está realizando una regresión lineal Ajustar Y por X. El resultado de este análisis muestra que casi no hay relación entre las 2 variables (RSquare es ~0 y el valor p es 0,44). Si desea obtener el coeficiente de correlación de Pearson, puede hacer Métodos multivariados> Multivariados.
Si las variables no se correlacionan (y cree que deberían), aquí hay algunas cosas en las que pensar:
1. Si cualquiera de las variables no varía mucho en el conjunto de datos, es difícil ver las relaciones,
2. Si hay un efecto retardado, el conjunto de datos tendría que modificarse para ver esto,
3. Los puntos de datos inusuales pueden dificultar ver las relaciones (pero hay poca evidencia en los datos que presenta)
4. Es posible que su modelo no contenga el orden correcto de los efectos (faltan términos de orden superior, pero sus datos no lo indican),
5. Hay variables ocultas no registradas en la tabla de datos,
6. Tiene problemas con el sistema de medición.,
7. No hay datos suficientes para respaldar la detección de una relación.
O realmente no hay relación.
