Lese ich einen Statistik-Blogbeitrag oder einen Ernährungs- und/oder Selbsthilferatgeber? Wenn Sie der Titel dieses Blogs ein wenig abschreckt, sind Sie wahrscheinlich neu in dieser Blogserie. Dieser Beitrag ist Teil drei einer fünfteiligen Serie, in der ich Fragen anspreche, die mir im Laufe der Jahre häufig von Wissenschaftlern und Ingenieuren gestellt wurden: Welche Modellergebnisse sollte ich mir ansehen? Was meinen sie? Was mache ich mit ihnen?
Mit dem Ziel der Vereinfachung und klaren Anleitung (um Sie nicht hungrig zu machen oder Ihnen ein schlechtes Gewissen zu machen, weil Sie verarbeitete Lebensmittel essen), habe ich einen Rahmen entwickelt, der in Abbildung 1 dargestellt ist. Dieses „Menü“ ist eines, mit dem Sie sich auf die wichtigsten Ergebnisse basierend auf Ihrer Situation (Ihren Daten und Ihrer Disposition) konzentrieren können.
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!Abbildung 1: Wichtigste Ergebnisse in Standard Least Squares. Wählen Sie Ihre Mahlzeit nach Ihrem Appetit!
In diesem Beitrag werde ich mich auf die Ergebnisse konzentrieren, die Sie sich ansehen können zusätzlich zum Veggie Plate-Ausgänge wenn Sie Erste Hilfe bei Model-Gesundheitsproblemen benötigen oder wenn Sie ein Daten-Nerd sind und es aufpolieren möchten (Sie befinden sich in guter Gesellschaft, also Kopf hoch!). Sehen wir uns zunächst die Ausgaben an, die Sie verwenden können, um die Frage „Ist mein Modell fehlerfrei?“ zu beantworten. Lassen Sie uns als Nächstes die Ergebnisse untersuchen, die Ihnen helfen, die Ergebnisse zu interpretieren, um Ihr Verständnis des Prozesses zu verbessern und sie Ihren Kollegen mitzuteilen. Für jede der Ausgaben werde ich versuchen, klar und prägnant zu sein: 1) was die Ausgabe ist, 2) wonach Sie suchen sollten und 3) was Sie mit den Informationen tun können.
Wenn Sie den Beispieldatensatz, den ich in den Screenshots verwende, mitverfolgen ("Geschmackstest"), sehen Sie sich die an erster Blogbeitrag .
Ist mein Modell gesund?
Passt nicht
* Passt nicht
Box-Cox-Transformation
Daten umwandeln, um bessere Vorhersagen zu treffen
Wie interpretiere ich die Ergebnisse?
Variable Wichtigkeit
Variablenbedeutung bewerten
Wirkungstests
Zusammenfassung
In diesem Beitrag haben wir zwei Ergebnisse besprochen, die Ihnen bei der Bewertung und ggf. Behebung von Modellgesundheitsproblemen helfen sollen: Mangel an Fit und Box-Cox-Transformation. Wir haben auch zwei Ergebnisse besprochen, die Ihnen helfen sollen, den Prozess besser zu verstehen und letztendlich zu entscheiden, wie Sie den Prozess verbessern und Ihre Maßnahmen den Stakeholdern mitteilen können: Tests zur Wichtigkeit von Variablen und Auswirkungen.
Wenn Sie mit einem historischen Datensatz arbeiten, der möglicherweise viele korrelierte Prädiktoren enthält, empfehle ich Ihnen, nächste Woche mit Teil 4 dieser Serie fortzufahren, in dem ich VIFs erörtern werde und wie sie Ihnen bei der Beurteilung des Modellzustands helfen können. Ich werde auch Interaktionsdiagramme durchgehen, die eine hilfreiche Methode sein können, um zu visualisieren, wie sich Faktoren gegenseitig beeinflussen.
Wie 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 Modul „Korrelation und Regression“ zu absolvieren. Verdienen Sie nach Abschluss ein Abzeichen, das Sie auf LinkedIn posten, Ihrem Lebenslauf und Ihrem Jahresrückblick hinzufügen können. Machen Sie 2021 zum Jahr des persönlichen und beruflichen Wachstums!
