Lese ich einen Statistik-Blogbeitrag oder einen Ernährungs- und / oder Selbsthilfehandbuch? Wenn Sie vom Titel dieses Blogs etwas abgelenkt sind, sind Sie wahrscheinlich neu in dieser Blogserie. Dieser Beitrag ist Teil drei einer fünfteiligen Reihe, in der ich mich mit Fragen befasse, die Wissenschaftler und Ingenieure im Laufe der Jahre häufig gestellt haben: Welche Modellergebnisse sollte ich mir ansehen? Was meinen sie? Was mache ich mit ihnen?
Mit dem Ziel, eine klare Anleitung zu vereinfachen und bereitzustellen (um Sie nicht hungrig zu machen oder sich schuldig zu fühlen, wenn Sie verarbeitete Lebensmittel essen), habe ich einen Rahmen entwickelt, der in Abbildung 1 dargestellt ist. In diesem „Menü“ können Sie sich auf die wichtigsten Ergebnisse konzentrieren, die auf Ihrer Situation (Ihren Daten und Ihrer Disposition) basieren.
Abbildung 1: Schlüsselausgaben in Standard Least Squares. Wählen Sie Ihre Mahlzeit nach Ihrem Appetit!
In diesem Beitrag werde ich mich auf die Ergebnisse konzentrieren, die Sie betrachten können in Ergänzung zum Veggie Plate Ausgänge Wenn Sie Erste Hilfe bei Modellgesundheitsproblemen benötigen oder wenn Sie ein Daten-Nerd sind und diese verbessern möchten (Sie befinden sich in guter Gesellschaft, halten Sie also den Kopf hoch!). Lassen Sie uns zunächst die Ausgaben überprüfen, mit denen Sie die Frage "Ist mein Modell gesund?" Beantworten können. Lassen Sie uns als Nächstes die Ergebnisse untersuchen, anhand derer Sie die Ergebnisse interpretieren können, um Ihr Verständnis für den Prozess zu verbessern und sie Ihren Kollegen mitzuteilen. Für jede Ausgabe werde ich versuchen, klar und präzise zu sein: 1) was die Ausgabe ist, 2) wonach Sie suchen sollten und 3) was Sie mit den Informationen tun können.
Wenn Sie dem Beispieldatensatz, den ich in den Screenshots verwende, folgen möchten ("Geschmackstest"), lesen Sie die erster Blogbeitrag .
Ist mein Modell gesund?
Passt nicht
* * Passt nicht
Box-Cox-Transformation
Daten transformieren, um bessere Vorhersagen zu treffen
Wie interpretiere ich die Ergebnisse?
Variable Bedeutung
Bewerten Sie die Bedeutung von Variablen
Effekt-Tests
Zusammenfassung
In diesem Beitrag haben wir zwei Ergebnisse besprochen, mit denen Sie Modellgesundheitsprobleme bewerten und gegebenenfalls beheben können: Mangel an Passform und Box-Cox-Transformation. Wir haben auch zwei Ergebnisse besprochen, um Ihnen zu helfen, den Prozess besser zu verstehen und letztendlich zu entscheiden, wie Sie den Prozess verbessern und Ihre Aktionen den Stakeholdern mitteilen können: Tests mit variabler Bedeutung und Wirkung.
Wenn Sie mit einem historischen Datensatz arbeiten, der möglicherweise viele korrelierte Prädiktoren enthält, empfehle ich Ihnen, nächste Woche mit Teil 4 dieser Reihe fortzufahren, in dem ich über VIFs und deren Unterstützung bei der Beurteilung des Modellzustands sprechen werde. Ich werde auch durch Interaktionsdiagramme gehen, die eine hilfreiche Methode sein können, um zu visualisieren, wie sich Faktoren gegenseitig beeinflussen.
Wie bereits in früheren Beiträgen erwähnt, gibt es keinen Ersatz für das grundlegende Wissen, dass die Statistisches Denken für den industriellen Problemlösungskurs kann dir geben. Erwägen Sie insbesondere das Ausfüllen des Korrelations- und Regressionsmoduls. Verdienen Sie nach Abschluss ein Abzeichen, das Sie auf LinkedIn veröffentlichen, zu Ihrem Lebenslauf und Ihrer jährlichen Überprüfung hinzufügen können. Machen Sie 2021 zum Jahr des persönlichen und beruflichen Wachstums!
