Sto leggendo un post sul blog di statistiche o una guida nutrizionale e / o di auto-aiuto? Se sei un po 'sconcertato dal titolo di questo blog, probabilmente sei nuovo in questa serie di blog. Questo post è la terza parte di una serie di cinque parti in cui affronterò domande che ho ricevuto molto da scienziati e ingegneri nel corso degli anni: quali risultati del modello dovrei guardare? Cosa vogliono dire? Cosa ci faccio con loro?
Con l'obiettivo di semplificare e fornire una guida chiara (per non farti venire fame o farti sentire in colpa per aver mangiato cibi lavorati), ho ideato un quadro che è mostrato nella Figura 1. Questo "menu" è quello che puoi utilizzare per concentrarti sugli output chiave in base alla tua situazione (i tuoi dati e la tua disposizione).
Figure 1: Key outputs in Standard Least Squares. Choose your meal based on your appetite!Figure 1: Key outputs in Standard Least Squares. Choose your meal based on your appetite!Figure 1: Key outputs in Standard Least Squares. Choose your meal based on your appetite!Figura 1: output chiave nei minimi quadrati standard. Scegli il tuo pasto in base al tuo appetito!
In questo post, mi concentrerò sugli output che puoi guardare Inoltre al Uscite Veggie Plate se hai bisogno di un primo soccorso per problemi di salute del modello, o se sei un nerd dei dati e vuoi nerd (sei in buona compagnia, quindi tieni la testa alta!). Innanzitutto, esaminiamo gli output che puoi utilizzare per rispondere alla domanda: "Il mio modello è integro?" Successivamente, esaminiamo gli output che ti aiuteranno a interpretare i risultati per aumentare la tua comprensione del processo e comunicarli ai tuoi colleghi. Per ciascuno degli output, cercherò di essere chiaro e conciso su: 1) qual è l'output, 2) cosa dovresti cercare e 3) cosa puoi fare con le informazioni.
Se desideri seguire ("test del gusto") il set di dati di esempio che utilizzo negli screenshot, consulta primo post del blog .
Il mio modello è sano?
Mancanza di adattamento
* Mancanza di adattamento
Trasformazione di Box-Cox
Trasformare i dati per fare previsioni migliori
Come interpreto i risultati?
Importanza variabile
Valuta l'importanza delle variabili
Test degli effetti
Sommario
In questo post, abbiamo discusso due risultati per aiutarti a valutare e risolvere, se necessario, i problemi di salute del modello: Mancanza di adattamento e trasformazione Box-Cox. Abbiamo anche discusso due output per aiutarti a comprendere ulteriormente il processo e, in ultima analisi, decidere come migliorare il processo e comunicare le tue azioni agli stakeholder: Importanza variabile ed Effetti.
Se stai lavorando con un set di dati storici che potrebbe avere molti predittori correlati, ti incoraggio a passare alla Parte 4 di questa serie la prossima settimana, dove parlerò dei VIF e di come possono aiutarti a valutare lo stato di salute del modello. Esaminerò anche i grafici di interazione, che possono essere un modo utile per visualizzare come i fattori si influenzano a vicenda.
Come accennato nei post precedenti, non c'è nulla che possa sostituire la conoscenza fondamentale che il file Corso di pensiero statistico per la risoluzione dei problemi industriali può darti. Considera l'idea di completare il modulo Correlazione e regressione, in particolare. Guadagna un badge al termine che puoi pubblicare su LinkedIn, aggiungere al tuo curriculum e alla revisione annuale. Rendi il 2021 l'anno della crescita personale e professionale!
