Concernant l'expression de prédictionSalut les membres,
Je mène une conception RSM sur jmp 16 et je souhaite extraire l'expression de prédiction pour le modèle. C'est l'expression de prédiction que j'ai obtenue.
Les points centraux pour x1 et x2 sont respectivement 25 et 10.
- J'essaie de me demander pourquoi les variables sont centrées en utilisant les points centraux pour ce type de modèle. (Je pensais que cela ne s'appliquait qu'aux modèles de premier ordre pour tenir compte de la courbure)
- Lorsque je rapporte ce modèle par écrit, dois-je laisser l'équation telle quelle ?
Toute aide sera fortement appréciée. Merci d'avance.
BICHERe : À propos de l'expression de prédictionSalut,
Il peut être utile de savoir que vous pouvez convertir la deuxième expression en première en enregistrant la formule de prédiction dans le tableau, en l'ouvrant à l'aide de l'éditeur de formule et en sélectionnant "Simplifier" dans le menu du triangle rouge :
Re : À propos de l'expression de prédictionMerci de m'avoir montré les moyens d'une version simplifiée de l'équation de régression. Je suis encore nouveau dans la modélisation de régression. Je voulais aussi savoir pourquoi nous n'utilisons pas les estimations de paramètres telles qu'elles sont. Quelle est généralement la raison du centrage des variables prédictives à l'aide des points centraux dans l'expression de prédiction ?
Re : À propos de l'expression de prédictionsalut @Kimani ,
Lorsque JMP effectue l'ajustement, il centrera les facteurs X par défaut (je pense), sauf si vous le spécifiez. La raison en est que l'algorithme peut déterminer une meilleure estimation des bêtas, les coefficients. Le faire de cette façon aide à pousser une grande partie de l'erreur inconnue de l'ajustement vers la constante, epsilon, réduisant ainsi les erreurs des estimations d'ajustement, les bêtas.
J'espère que cela a du sens et aide,
DS
Re : À propos de l'expression de prédictionMerci beaucoup pour l'explication détaillée @markbailey . L'explication contribuera grandement à m'aider à comprendre le modèle de régression.
Re : À propos de l'expression de prédictionIl existe de nombreuses façons et raisons de transformer des variables. La transformation que vous avez rencontrée s'appelle "codage". Il est considéré comme une pratique exemplaire lors de l'analyse des données d'une expérience conçue pour plusieurs raisons. Les plates-formes de conception JMP (par exemple, Custom Design) ajoutent la propriété Coding column aux colonnes de données de facteur continu lorsque vous cliquez sur Make Table. La plateforme Fit Least Squares reconnaît cette propriété de colonne et applique la transformation en interne.
Interprétation:
Sans codage, les estimations des paramètres dépendent de l'échelle (c'est-à-dire des unités de mesure). Il est difficile de répondre à des questions telles que « Quel facteur est le plus important ? » simplement en examinant les estimations. D'autre part, les niveaux de facteurs codés conduisent à des estimations invariantes à l'échelle. Ils représentent toujours le changement dans la réponse pour un changement d'une unité dans le facteur, mais maintenant c'est la moitié de la plage de facteurs pour tous les facteurs. (Pour cette raison, l'estimation utilisant des niveaux de facteurs codés est parfois appelée « demi-effets ».) De plus, l'interception est généralement nécessaire pour la modélisation mais n'a pas de sens. Avec le codage, l'ordonnée à l'origine est toujours la réponse moyenne à l'origine de votre espace de conception.
Pouvoir:
Nous voulons toujours des estimations avec la plus petite erreur standard, quel que soit le but de l'expérience (par exemple, dépistage ou optimisation). Le plan détermine la corrélation entre les estimations. Les estimations non corrélées auront la plus petite erreur standard. La corrélation gonflera la variation des estimations et, par conséquent, leurs erreurs types. Les erreurs parfaitement corrélées ont une variance infinie et sont donc indissociables. Les effets représentés par ces paramètres sont confondus. Le codage des niveaux de facteurs minimise la corrélation entre les estimations.
La stabilité:
La hiérarchie des modèles est liée au codage. Nous vous recommandons vivement de conserver la hiérarchie du modèle lorsque vous ajoutez ou supprimez des termes du modèle. L'une des raisons est que le modèle sera instable si vous modifiez (transformez) ultérieurement des variables, telles que l'inversion de la transformation de codage. Utilisation de la fonction Simplifier dans l'éditeur de formule comme suggéré par @HadleyMyers produit un modèle différent (certains termes disparaissent, de nouveaux termes apparaissent) si vous ne maintenez pas la hiérarchie lors de la sélection de votre modèle.
