Bezüglich des VorhersageausdrucksHallo Mitglieder,
Ich führe einen RSM-Entwurf 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 bei diesem Modelltyp anhand der Mittelpunkte zentriert werden. (Ich dachte, es gilt nur für Modelle erster Ordnung, die Krümmung zu berücksichtigen)
- Sollte ich die Gleichung so lassen, wie sie ist, wenn ich dieses Modell schriftlich berichte?
Jede Hilfe wird sehr geschätzt. Vielen Dank im Voraus.
VersuchsplanungQualitäts- und VerfahrenstechnikBetreff: Bezüglich des VorhersageausdrucksVielen Dank für die ausführliche Erklärung @Mark_Bailey . Die Erklärung wird mir sehr dabei helfen, das Regressionsmodell zu verstehen.
Betreff: Bezüglich des VorhersageausdrucksEs gibt viele Möglichkeiten und Gründe, Variablen zu transformieren. Die Transformation, die Sie erlebt haben, wird „Codierung“ genannt. Es gilt aus mehreren Gründen als bewährte Vorgehensweise bei der Analyse von Daten aus einem geplanten Experiment. Die JMP-Entwurfsplattformen (z. B. Custom Design) fügen die Eigenschaft „Kodierungsspalte“ zu den kontinuierlichen Faktordatenspalten hinzu, wenn Sie auf „Tabelle erstellen“ klicken. Die Fit Least Squares-Plattform erkennt diese Spalteneigenschaft und wendet die Transformation intern an.
Deutung:
Ohne Kodierung hängen die Parameterschätzungen vom Maßstab (dh den Maßeinheiten) ab. Es ist schwierig, Fragen wie „Welcher Faktor ist der wichtigste?“ zu beantworten. allein durch die Prüfung der Schätzungen. Andererseits führen codierte Faktorstufen zu skaleninvarianten Schätzungen. Sie stellen immer noch die Änderung der Reaktion für eine Änderung des Faktors um eine Einheit dar, aber jetzt ist das die Hälfte des Faktorbereichs für alle Faktoren. (Aus diesem Grund wird die Schätzung unter Verwendung codierter Faktorstufen manchmal als „Halbeffekte“ bezeichnet.) Außerdem ist der Achsenabschnitt normalerweise für die Modellierung notwendig, aber bedeutungslos. Beim Codieren ist der Achsenabschnitt 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 weisen den kleinsten Standardfehler auf. Durch die Korrelation wird die Variation der Schätzungen und damit ihre Standardfehler vergrößert. Perfekt korrelierte Fehler haben eine unendliche Varianz und sind daher untrennbar. Die durch diese Parameter dargestellten Auswirkungen sind verwirrend. Durch die Kodierung der Faktorstufen wird die Korrelation zwischen den Schätzungen minimiert.
Stabilität:
Die Modellhierarchie hängt mit der Codierung zusammen. Wir empfehlen dringend, die Modellhierarchie beizubehalten, wenn Sie Begriffe zum Modell hinzufügen oder daraus entfernen. Ein Grund dafür ist, dass das Modell instabil wird, wenn Sie später Variablen ändern (transformieren), beispielsweise die Codierungstransformation rückgängig machen. Verwenden Sie die Vereinfachungsfunktion im Formeleditor, wie von vorgeschlagen @HadleyMyers erzeugt ein anderes Modell (einige Begriffe verschwinden, neue Begriffe erscheinen), wenn Sie bei der Auswahl Ihres Modells die Hierarchie nicht beibehalten.
Betreff: Bezüglich des VorhersageausdrucksHallo @Kimani ,
Wenn JMP die Anpassung durchführt, werden die X-Faktoren standardmäßig zentriert (glaube ich), es sei denn, Sie geben an, dass dies nicht der Fall sein soll. Der Grund dafür ist, dass der Algorithmus eine bessere Schätzung der Betas, der Koeffizienten, ermitteln kann. Auf diese Weise wird ein großer Teil des unbekannten Fehlers der Anpassung auf die Konstante Epsilon verschoben, wodurch die Fehler der Anpassungsschätzungen, die Betas, reduziert werden.
Ich hoffe, das macht Sinn und hilft,
DS
Betreff: Bezüglich des VorhersageausdrucksVielen Dank, dass Sie mir die Mittel zu einer vereinfachten Version der Regressionsgleichung gezeigt haben. Ich bin noch ein Neuling 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?
Betreff: Bezüglich des VorhersageausdrucksHallo,
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 im Menü des roten Dreiecks „Vereinfachen“ auswählen:
