Est-ce que je lis un article de blog sur les statistiques ou un guide de nutrition et/ou d'auto-assistance ? Si vous êtes un peu décontenancé par le titre de ce blog, vous êtes probablement nouveau dans cette série de blogs. Cet article est la troisième partie d'une série en cinq parties où j'aborde des questions que j'ai beaucoup reçues de scientifiques et d'ingénieurs au fil des ans : quelles sorties de modèle dois-je examiner ? Que signifient-ils? Qu'est-ce que je fais avec eux ?
Dans le but de simplifier et de fournir des conseils clairs (pour ne pas vous donner faim ou vous culpabiliser de manger des aliments transformés), j'ai conçu un cadre illustré à la figure 1. Ce « menu » est celui que vous pouvez utiliser pour vous concentrer sur les résultats clés en fonction de votre situation (vos données et votre disposition).
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!Figure 1 : Principaux résultats en moindres carrés standard. Choisissez votre repas en fonction de votre appétit !
Dans cet article, je vais me concentrer sur les sorties que vous pouvez consulter en outre au Sorties Veggie Plate si vous avez besoin de premiers soins pour des problèmes de santé de modèle, ou si vous êtes un passionné de données et que vous voulez le faire (vous êtes en bonne compagnie, alors gardez la tête haute !). Tout d'abord, examinons les sorties que vous pouvez utiliser pour répondre à la question : "Mon modèle est-il sain ?" Ensuite, examinons les sorties qui vous aideront à interpréter les résultats pour augmenter votre compréhension du processus et les communiquer à vos collègues. Pour chacun des résultats, j'essaierai d'être clair et concis sur : 1) ce qu'est le résultat, 2) ce que vous devez rechercher et 3) ce que vous pouvez faire avec l'information.
Si vous souhaitez suivre ("test de goût") avec l'exemple d'ensemble de données que j'utilise dans les captures d'écran, consultez le premier article de blog .
Mon modèle est-il en bonne santé ?
Manque d'ajustement
* Manque d'ajustement
Transformation de Box-Cox
Transformer les données pour faire de meilleures prévisions
Comment interpréter les résultats ?
Importance variable
Évaluer l'importance variable
Essais d'effet
Sommaire
Dans cet article, nous avons discuté de deux sorties pour vous aider à évaluer et à remédier, si nécessaire, aux problèmes de santé du modèle : absence d'ajustement et transformation de Box-Cox. Nous avons également discuté de deux résultats pour vous aider à mieux comprendre le processus et, en fin de compte, décider comment améliorer le processus et communiquer vos actions aux parties prenantes : les tests d'importance variable et d'effet.
Si vous travaillez avec un ensemble de données historiques pouvant contenir de nombreux prédicteurs corrélés, je vous encourage à passer à la partie 4 de cette série la semaine prochaine, où je discuterai des VIF et de la manière dont ils peuvent vous aider à évaluer la santé du modèle. Je vais également parcourir les diagrammes d'interaction, qui peuvent être un moyen utile de visualiser comment les facteurs s'influencent les uns les autres.
Comme mentionné dans les messages précédents, rien ne remplace la connaissance fondamentale que le Cours sur la pensée statistique pour la résolution de problèmes industriels pouvoir vous donner. Envisagez de terminer le module Corrélation et régression, en particulier. Gagnez un badge à la fin que vous pouvez publier sur LinkedIn, ajouter à votre CV et à votre examen annuel. Faites de 2021 l'année de l'épanouissement personnel et professionnel !
