"Fit Curve"-Modellierung mit mehreren x-VariablenHallo, ich bin ein Anfänger ohne Statistik-Erfahrung.
Mein Problem ist, dass ich eine einzelne Spalte mit y-Werten und 6 Spalten mit x-Werten habe. Es wird angenommen, dass Y durch eine Kombination der 6 x-Werte verursacht wird.
Ich versuche, mit den x-Parametern ein Polynom zu entwickeln, das das y modelliert. Ich habe dies erfolgreich mit der Regression der kleinsten Quadrate in JMP (und in Python) getan, aber die Ergebnisse sind nicht erstaunlich, da meine Daten definitiv nicht linear zusammenhängen. Nach meinem Verständnis ist die Fitkurve für nichtlineare Anpassungen geeignet. Ich bin mir jedoch nicht sicher, wie dies mit mehreren X-Variablen geht, da die "Fit Curve" nur eine akzeptiert.
Kann mir jemand in die richtige Richtung weisen?
AnalytikBetreff: "Fit Curve"-Modellierung mit mehreren x-VariablenDer Begriff 'linear' kann in der Statistik viele Interpretationen haben. In der Fit Model-Plattform, Standard Least Squares (was nehme ich an, haben Sie es versucht?) Persönlichkeit, sind es die Parameterschätzungen, die "linear" sind ... nicht unbedingt die Antworten. Wenn die Antworten in Bezug auf das eine oder die mehreren x nicht 'geradlinig' sind, kann ein Polynomausdruck, der in den Parametern immer noch linear ist, eine angemessene Anpassung liefern. Es gibt zwei grundlegende Techniken, die Modellierer in diesem Fall verwenden ... Transformationen von x (ein Box-Cox-Ansatz könnte hier helfen, die Art der Transformation zu bestimmen?) .). Haben Sie diese Ideen zuerst ausprobiert, bevor Sie auf die Fit-Kurve oder andere nicht lineare Modellierungsfunktionen in JMP zurückgegriffen haben? Die Plattformen Fit Curve und Non Linear verwenden Modelle, bei denen die Parameterschätzungen selbst in Bezug auf die x-Variablen nicht linear sind. Sicherlich nützliche Plattformen ... aber vielleicht möchten Sie zuerst alle möglichen Ideen mit 'linearen' Modellen ausschöpfen, wenn Sie dies noch nicht getan haben.
Betreff: "Fit Curve"-Modellierung mit mehreren x-VariablenVielen Dank für die tollen Infos.
Während ich die Standard-Kleinsten Quadrate ausprobiert habe, wie Sie angenommen haben, habe ich das erhalten, nachdem ich nur die 4 am besten geeigneten Variablen basierend auf dem P>|t| . ausgewählt hatte Sache, war etwas mit einem Adj. RSQuadrat von nur 0,18.
Wie Sie auch vermutet haben, habe ich die möglichen Ideen mit linearen Modellen nicht ausprobiert, weil mir die Dinge, die Sie angesprochen haben, nicht bewusst waren, also vielen Dank.
Könnten Sie mir die richtige Richtung zeigen, um herauszufinden, wie ich meine Parameter transformieren kann, um die beste Anpassung zu erzielen? Wie gesagt, ich habe keine Statistikerfahrung, also möchte ich nur eine beliebige Kombination der Parameter, um meine y-Werte auf jede erdenkliche Weise zu modellieren, und weiß nicht, wo ich anfangen soll.
Betreff: "Fit Curve"-Modellierung mit mehreren x-VariablenLassen Sie mich auch wissen, wenn Sie es für angemessener halten, hier einen neuen Beitrag zu starten, da sich mein ursprüngliches Ziel nach Ihrem sehr hilfreichen Kommentar definitiv geändert hat.
Betreff: "Fit Curve"-Modellierung mit mehreren x-VariablenIhr Satz "... keine Statistikerfahrung ..." führt mich dazu, innezuhalten und keine weiteren Modellierungsideen zu empfehlen, sondern einen von zwei Wegen zu empfehlen:
1. Stellen Sie einen Berater ein, der die Arbeit mit Ihnen erledigt ... besonders wenn dies eine einmalige Anstrengung ist und Sie Ihre Kompetenz in statistischen Methoden nicht wirklich aufbauen wollen oder müssen.
2. Bauen Sie Ihre Grundkenntnisse statistischer Methoden auf. Es ist so, als würde man Ihnen ein glänzendes neues Auto geben (statistische Methoden), aber Sie wissen nicht, wie man fährt. Und Sie bitten die Community, Ihnen Anweisungen zu geben, wie Sie in Ihrem glänzenden neuen Auto von Punkt A nach Punkt B gelangen. Ein Gedanke, den ich für Sie habe, ist, den SAS-Online-Kurs „Statistical Thinking for Industrial Problem Solving“ zu absolvieren. Es ist kostenlos. Nach Abschluss der Kursmodule bauen Sie Ihre Kompetenz in Bezug auf statistische Methoden und JMP aus. Hier der Link zur Kurshomepage: Statistisches Denken für die industrielle Problemlösung
