Modellazione "Fit Curve" con più variabili xSalve, sono un principiante senza esperienza di statistica.
Il mio problema è che ho una singola colonna di valori y e 6 colonne di valori x. Si presume che Y sia causato da una combinazione dei 6 valori x.
Sto cercando di trovare un polinomio, usando i parametri x, che modelli la y. L'ho fatto con successo usando la regressione dei minimi quadrati in JMP (e in Python) ma i risultati non sono sorprendenti perché i miei dati non sono sicuramente correlati in modo lineare. Dalla mia comprensione, per gli adattamenti non lineari, la curva di adattamento è adatta. Tuttavia, non sono sicuro di come farlo con più variabili X poiché "Fit Curve" ne accetta solo una.
Qualcuno può indicarmi la giusta direzione?
AnalisiRe: Modellazione "Fit Curve" con più variabili xIl termine 'lineare' può avere molte interpretazioni in statistica. Nella piattaforma Fit Model, Standard Least Squares (che è quello che presumo tu abbia provato?), sono le stime dei parametri che sono "lineari" ... non necessariamente le risposte. Se le risposte non sono di natura 'retta' rispetto a una o più delle x, allora un'espressione polinomiale che è ancora lineare nei parametri può fornire un adattamento adeguato. Ci sono due tecniche di base che i modellatori usano in questo caso... trasformazioni di x (un approccio Box Cox qui potrebbe aiutare a informare il tipo di trasformazione?) o y, o stimare termini di ordine superiore nell'espressione polinomiale lineare (cubica, quartica, ecc. .). Hai provato queste idee prima di ricorrere alla curva di adattamento o ad altre funzionalità di modellazione non lineare in JMP? Le piattaforme Fit Curve e Non Linear utilizzano modelli in cui le stime dei parametri stessi sono non lineari rispetto alle variabili x. Piattaforme utili sicuramente... ma potresti voler prima esaurire tutte le idee possibili con modelli "lineari" se non lo hai già fatto.
Re: Modellazione "Fit Curve" con più variabili xGrazie per le grandi informazioni.
Mentre ho provato i minimi quadrati standard, come hai ipotizzato, quello che ho ottenuto, dopo aver selezionato solo le 4 variabili più appropriate basate su P>|t| cosa, era qualcosa con un agg. Rquadrato di soli 0,18.
Inoltre, come hai ipotizzato, non ho provato le possibili idee con i modelli lineari perché non ero a conoscenza delle cose che hai sollevato, quindi grazie mille.
Potresti indicarmi la direzione corretta per capire come trasformare i miei parametri per ottenere la migliore vestibilità? Come ho detto, non ho esperienza di statistica, quindi tutto ciò che voglio è una combinazione dei parametri per modellare al meglio i miei valori y in ogni modo possibile e non so da dove cominciare.
Re: Modellazione "Fit Curve" con più variabili xInoltre, fammi sapere se ritieni che sarebbe più appropriato iniziare un nuovo post qui poiché il mio obiettivo originale è decisamente cambiato dopo il tuo commento molto utile.
Re: Modellazione "Fit Curve" con più variabili xLa tua frase "...nessuna esperienza di statistica..." mi porta a fermarmi e a non consigliare altre idee di modellazione ma a consigliare uno dei due percorsi:
1. Assumi un consulente che svolga il lavoro con te...soprattutto se si tratta di uno sforzo unico nel suo genere e non vuoi o non hai bisogno di sviluppare la tua competenza nei metodi statistici.
2. Sviluppa le tue conoscenze di base sui metodi statistici. È un po' come regalarti un'auto nuova e brillante (metodi statistici) ma non sai guidare. E stai chiedendo alla comunità di darti istruzioni per andare dal punto A al punto B con la tua nuova auto splendente. Quindi un pensiero che ho per te è completare il corso online SAS "Statistical Thinking for Industrial Problem Solving". È gratis. Al completamento dei moduli del corso, svilupperai le tue competenze rispetto ai metodi statistici e JMP. Di seguito il link alla home page del corso: Pensiero statistico per la risoluzione dei problemi industriali
