¿Estoy leyendo una publicación de blog de estadísticas o una guía de nutrición y / o autoayuda? Si está un poco desconcertado por el título de este blog, es probable que sea nuevo en esta serie de blogs. Esta publicación es la tercera parte de una serie de cinco partes en la que abordo preguntas que he recibido mucho de científicos e ingenieros a lo largo de los años: ¿Qué resultados del modelo debo considerar? ¿Qué quieren decir? ¿Qué hago con ellos?
Con el objetivo de simplificar y proporcionar una guía clara (no darle hambre o hacer que se sienta culpable por comer alimentos procesados), he diseñado un marco que se muestra en la Figura 1. Este "menú" es uno que puede utilizar para centrarse en los resultados clave en función de su situación (sus datos y disposición).
Figura 1: Resultados clave en mínimos cuadrados estándar. ¡Elija su comida según su apetito!
En esta publicación, me voy a centrar en los resultados que puedes ver Adicionalmente al Salidas de Veggie Plate si necesita primeros auxilios para problemas de salud del modelo, o si es un nerd de los datos y quiere mejorarlo (está en buena compañía, ¡así que mantenga la cabeza en alto!). En primer lugar, revisemos los resultados que puede utilizar para responder la pregunta: "¿Mi modelo está en buen estado?" A continuación, examinemos los resultados que le ayudarán a interpretar los resultados para aumentar su comprensión del proceso y comunicarlos a sus colegas. Para cada uno de los resultados, intentaré ser claro y conciso acerca de: 1) cuál es el resultado, 2) qué debe buscar y 3) qué puede hacer con la información.
Si desea seguir ("prueba de sabor") con el conjunto de datos de muestra que utilizo en las capturas de pantalla, consulte la primera publicación de blog .
¿Mi modelo está sano?
Falta de ajuste
* Falta de ajuste
Transformación Box-Cox
Transformar datos para hacer mejores predicciones
¿Cómo interpreto los resultados?
Importancia variable
Evaluar la importancia de la variable
Pruebas de efectos
Resumen
En esta publicación, discutimos dos resultados para ayudarlo a evaluar y remediar, si es necesario, los problemas de salud del modelo: Lack of Fit y la transformación Box-Cox. También discutimos dos resultados para ayudarlo a comprender mejor el proceso y, en última instancia, decidir cómo mejorar el proceso y comunicar sus acciones a las partes interesadas: pruebas de importancia variable y efecto.
Si está trabajando con un conjunto de datos históricos que puede tener muchos predictores correlacionados, le animo a avanzar a la Parte 4 de esta serie la próxima semana, donde hablaré sobre los VIF y cómo pueden ayudarle a evaluar el estado del modelo. También analizaré los gráficos de interacción, que pueden ser una forma útil de visualizar cómo los factores se influyen entre sí.
Como se mencionó en publicaciones anteriores, no hay sustituto para el conocimiento fundamental de que el Curso de Pensamiento estadístico para la resolución de problemas industriales puedo darte. Considere completar el módulo de correlación y regresión, específicamente. Al finalizar, obtenga una insignia que puede publicar en LinkedIn, agregar a su currículum y revisión anual. ¡Haga del 2021 el año del crecimiento personal y profesional!
