¿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 mirar? ¿Qué quieren decir? ¿Qué hago con ellos?
Con el objetivo de simplificar y proporcionar una guía clara (que no le dé hambre ni le haga sentir culpable por comer alimentos procesados), he ideado un marco que se muestra en la Figura 1. Este "menú" es uno que puede usar para enfocarse en los resultados clave según su situación (sus datos y disposición).
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!Figure 1: Key outputs in Standard Least Squares. Choose your meal based on your appetite!Figura 1: Salidas clave en mínimos cuadrados estándar. ¡Elige tu comida según tu apetito!
En esta publicación, me centraré en los resultados que puede ver además hacia Salidas de platos vegetarianos si necesita primeros auxilios para problemas de salud del modelo, o si es un nerd de datos y quiere mejorarlo (está en buena compañía, ¡así que mantenga la cabeza en alto!). Primero, revisemos los resultados que puede usar para responder a la pregunta: "¿Está mi modelo en buen estado?" A continuación, examinemos los resultados que le ayudarán a interpretar los resultados para aumentar su comprensión del proceso y comunicárselos a sus colegas. Para cada uno de los resultados, intentaré ser claro y conciso sobre: 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 uso en las capturas de pantalla, consulte la primera entrada de blog .
¿Mi modelo está saludable?
Falta de ajuste
* Falta de ajuste
Transformación de Box-Cox
Transformación de datos para hacer mejores predicciones
¿Cómo interpreto los resultados?
Importancia Variable
Evaluar la importancia de las variables
Pruebas de efecto
Resumen
En esta publicación, discutimos dos resultados para ayudarlo a evaluar y remediar, si es necesario, los problemas de salud del modelo: la falta de ajuste y la transformación de 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, lo animo a que avance a la Parte 4 de esta serie la próxima semana, donde hablaré sobre los VIF y cómo pueden ayudarlo a evaluar la salud del modelo. También revisaré las gráficas 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 que el Curso de pensamiento estadístico para la resolución de problemas industriales puedo darte. Considere completar el módulo Correlación y regresión, específicamente. Obtenga una insignia al finalizar que puede publicar en LinkedIn, agregar a su currículum y revisión anual. ¡Haz del 2021 el año del crecimiento personal y profesional!
