„Fit Curve“-Modellierung mit mehreren x-VariablenHallo, ich bin ein Anfänger ohne Statistikerfahrung.
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, mithilfe der x-Parameter ein Polynom zu erstellen, das das y modelliert. Ich habe dies mithilfe der Regression der kleinsten Quadrate in JMP (und in Python) erfolgreich durchgeführt, aber die Ergebnisse sind nicht erstaunlich, da meine Daten definitiv nicht linear zusammenhängen. Nach meinem Verständnis ist die Anpassungskurve für nichtlineare Anpassungen geeignet. Allerdings bin ich mir nicht sicher, wie ich das mit mehreren X-Variablen machen soll, da die „Fit-Kurve“ nur eine akzeptiert.
Kann mir jemand die richtige Richtung weisen?
Verbraucher- und MarktforschungBetreff: „Fit Curve“-Modellierung mit mehreren x-VariablenDa ich ein neuer Benutzer bin, habe ich anscheinend keinen Zugriff auf private Nachrichten ...
Betreff: „Fit Curve“-Modellierung mit mehreren x-VariablenIch werde Ihnen eine private Nachricht senden, da diese Art von Konversation nicht der beabsichtigte Inhalt dieses Diskussionsforums ist.
Betreff: „Fit Curve“-Modellierung mit mehreren x-VariablenVielen Dank für Ihre Vorschläge. Ich würde gerne einen Berater engagieren und habe bereits einige Leute über Fiverr kontaktiert. Wissen Sie, wo sonst ein guter Ort wäre?
Betreff: „Fit Curve“-Modellierung mit mehreren x-VariablenIhr Satz „…keine Statistikerfahrung…“ veranlasst mich, innezuhalten und keine weiteren Modellierungsideen zu empfehlen, sondern einen von zwei Wegen zu empfehlen:
1. Beauftragen Sie einen Berater, der die Arbeit mit Ihnen erledigt ... insbesondere, wenn es sich um eine einmalige Aufgabe handelt und Sie Ihre Kompetenz in statistischen Methoden nicht wirklich ausbauen wollen oder müssen.
2. Bauen Sie Ihr Grundwissen über statistische Methoden auf. Es ist so, als würde man einem ein glänzendes neues Auto schenken (statistische Methoden), aber man weiß nicht, wie man fährt. Und Sie bitten die Community, Ihnen Anweisungen zu geben, wie Sie mit Ihrem glänzenden neuen Auto von Punkt A nach Punkt B gelangen. Ein Gedanke, den ich für Sie habe, ist daher, den SAS-Onlinekurs „Statistisches Denken für die Lösung industrieller Probleme“ zu absolvieren. Es ist kostenlos. Nach Abschluss der Kursmodule bauen Sie Ihre Kompetenz in Bezug auf statistische Methoden und JMP aus. Hier ist ein Link zur Kurs-Homepage: Statistisches Denken zur industriellen Problemlösung
Betreff: „Fit Curve“-Modellierung mit mehreren x-VariablenTeilen Sie mir auch mit, ob es Ihrer Meinung nach angemessener wäre, hier einen neuen Beitrag zu beginnen, da sich mein ursprüngliches Ziel nach Ihrem sehr hilfreichen Kommentar definitiv geändert hat.
Betreff: „Fit Curve“-Modellierung mit mehreren x-VariablenVielen Dank für die tollen Infos.
Während ich, wie Sie vermutet haben, die Standard-Kleinste-Quadrate-Methode ausprobiert habe, erhielt ich das Ergebnis, nachdem ich nur die 4 am besten geeigneten Variablen basierend auf P>|t| ausgewählt hatte Ding, war etwas mit einem Adj. RSQuadrat von nur 0,18.
Außerdem habe ich, wie Sie vermutet haben, die möglichen Ideen mit linearen Modellen nicht ausprobiert, weil mir die Dinge, die Sie angesprochen haben, nicht bekannt waren, also vielen Dank.
Könnten Sie mir den richtigen Weg weisen, um herauszufinden, wie ich meine Parameter umwandeln 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 mögliche Weise bestmöglich zu modellieren, und weiß nicht, wo ich anfangen soll.
Betreff: „Fit Curve“-Modellierung mit mehreren x-VariablenDer Begriff „linear“ kann in der Statistik viele Interpretationen haben. In der Fit Model-Plattform, der Standard-Kleinste-Quadrate-Persönlichkeit (ich gehe davon aus, dass Sie es versucht haben?), sind es die Parameterschätzungen, die „linear“ sind ... nicht unbedingt die Antworten. Wenn die Antworten in Bezug auf ein oder mehrere x nicht „geradliniger“ Natur 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?) oder y oder die Schätzung von Termen höherer Ordnung im linearen Polynomausdruck (kubisch, quartisch usw.). .). Haben Sie diese Ideen zuerst ausprobiert, bevor Sie auf die Funktion „Kurve anpassen“ oder andere nichtlineare 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 zunächst alle möglichen Ideen mit „linearen“ Modellen ausschöpfen, falls Sie dies noch nicht getan haben.
