In Bezug auf den VorhersageausdruckHallo Mitglieder,
Ich führe ein RSM-Design auf jmp 16 durch und möchte den Vorhersageausdruck für das Modell extrahieren. Dies ist der Vorhersageausdruck, den ich erhalten habe.
Die Mittelpunkte für x1 und x2 sind 25 bzw. 10.
- Ich versuche mich zu fragen, warum die Variablen mit den Mittelpunkten für diese Art von Modell zentriert sind. (Ich dachte, es gilt nur für Modelle erster Ordnung, um die Krümmung zu berücksichtigen.)
- Wenn ich dieses Modell schriftlich melde, sollte ich die Gleichung so belassen, wie sie ist?
Jede Hilfe wird sehr geschätzt. Vielen Dank im Voraus.
DAMHIRSCHKUHRe: In Bezug auf den VorhersageausdruckVielen Dank, dass Sie mir die Mittel zu einer vereinfachten Version der Regressionsgleichung gezeigt haben. Ich bin noch neu in der Regressionsmodellierung. Ich wollte auch wissen, warum wir die Parameterschätzungen nicht so verwenden, wie sie sind. Was ist normalerweise der Grund für die Zentrierung der Prädiktorvariablen mithilfe der Mittelpunkte im Vorhersageausdruck?
Re: In Bezug auf den VorhersageausdruckHallo,
Es kann hilfreich sein zu wissen, dass Sie den zweiten Ausdruck in den ersten umwandeln können, indem Sie die Vorhersageformel in der Tabelle speichern, sie mit dem Formeleditor öffnen und „Vereinfachen“ aus dem Menü mit dem roten Dreieck auswählen:
Re: In Bezug auf den VorhersageausdruckVielen Dank für die ausführliche Erklärung @markbailey . Die Erklärung wird mir sehr dabei helfen, das Regressionsmodell zu verstehen.
Re: In Bezug auf den VorhersageausdruckEs gibt viele Möglichkeiten und Gründe, Variablen zu transformieren. Die Transformation, auf die Sie gestoßen sind, wird „Codierung“ genannt. Es wird aus mehreren Gründen als bewährte Methode bei der Analyse von Daten aus einem entworfenen Experiment angesehen. Die JMP-Designplattformen (z. B. Custom Design) fügen die Spalteneigenschaft Codierung zu den Datenspalten für kontinuierliche Faktoren hinzu, wenn Sie auf Tabelle erstellen klicken. Die Fit-Least-Squares-Plattform erkennt diese Spalteneigenschaft und wendet die Transformation intern an.
Interpretation:
Ohne Codierung hängen die Parameterschätzungen von der Skala (dh Maßeinheiten) ab. Fragen wie „Welcher Faktor ist der wichtigste?“ sind schwer zu beantworten. nur durch die Prüfung der Schätzungen. Andererseits führen codierte Faktorstufen zu skaleninvarianten Schätzungen. Sie stellen immer noch die Änderung der Antwortvariablen für eine Änderung des Faktors um eine Einheit dar, aber jetzt ist dies die Hälfte des Faktorbereichs für alle Faktoren. (Aus diesem Grund wird die Schätzung mit codierten Faktorstufen manchmal als „halbe Effekte“ bezeichnet.) Auch der Schnittpunkt ist normalerweise für die Modellierung notwendig, aber bedeutungslos. Beim Codieren ist der Schnittpunkt jetzt immer die mittlere Antwort am Ursprung Ihres Designraums.
Leistung:
Wir wollen immer Schätzungen mit dem kleinsten Standardfehler, unabhängig vom Zweck des Experiments (z. B. Screening versus Optimierung). Das Design bestimmt die Korrelation zwischen den Schätzungen. Unkorrelierte Schätzungen haben den kleinsten Standardfehler. Die Korrelation wird die Streuung der Schätzungen und damit ihre Standardfehler aufblähen. Perfekt korrelierte Fehler haben eine unendliche Varianz und sind daher untrennbar. Die durch diese Parameter repräsentierten Wirkungen sind verwechselt. Die Codierung der Faktorstufen minimiert die Korrelation zwischen den Schätzungen.
Stabilität:
Die Modellhierarchie bezieht sich auf die Codierung. Wir empfehlen dringend, dass Sie die Modellhierarchie beibehalten, wenn Sie Terme zum Modell hinzufügen oder daraus entfernen. Ein Grund dafür ist, dass das Modell instabil wird, wenn Sie später Variablen ändern (transformieren), z. B. die Codierungstransformation rückgängig machen. Verwenden der Simplify-Funktion im Formeleditor wie von vorgeschlagen @HadleyMyers erzeugt ein anderes Modell (einige Begriffe verschwinden, neue Begriffe erscheinen), wenn Sie die Hierarchie bei der Auswahl Ihres Modells nicht beibehalten.
